使用模拟强制引透视超新星及神经网络集成推导哈勃常数
天体物理仪器与方法
2025-04-16 v1 宇宙学与河外天体物理
机器学习
摘要
强制引透视超新星是获取哈勃常数独立测量的有前景的新探针。本文我们运用模拟的强制引透视I型超新星(glSNe Ia)来训练我们的机器学习(ML)管道，以约束哈勃常数。我们模拟glSN Ia的图像时间序列，这些图像如同将在即将到来的Nancy Grace Roman太空望远镜中观察到的那样，用于训练由五个卷积神经网络(CNN)组成的集成网络。该集成网络的输出与基于模拟的推理(SBI)框架结合，用于量化网络预测的不确定性并推断哈勃常数估计值的完整后验分布。我们说明，多个glSN系统的组合可提高约束精度，基于100个模拟系统提供的估计精度达到4.4%，与真实值一致。该研究突显了利用ML与glSNe系统的潜力，以实现快速自动化测量的管道。
引用
@article{arxiv.2504.10553,
title = {Inferring the Hubble Constant Using Simulated Strongly Lensed Supernovae and Neural Network Ensembles},
author = {Gonçalo Gonçalves and Nikki Arendse and Doogesh Kodi Ramanah and Radosław Wojtak},
journal= {arXiv preprint arXiv:2504.10553},
year = {2025}
}
备注
12 pages, 9 figures. To be submitted to the Open Journal of Astrophysics