基于人工神经网络的似然无关宇宙学约束：在哈勃参数与 Ia 型超新星上的应用
宇宙学与河外天体物理
2021-06-17 v2
摘要
由复杂过程生成的宇宙学数据（如观测哈勃参数数据（OHD）与 Ia 型超新星（SN Ia）数据）的误差无法由简单解析概率分布（例如高斯分布）准确建模。为从这些数据约束宇宙学参数，通常使用似然无关推断以绕过似然的直接计算。本文提出一种利用两个人造神经网络（ANN）——掩码自回归流（MAF）与去噪自编码器（DAE）——进行似然无关宇宙学推断的新流程。我们的流程首次使用 DAE 从数据中提取特征，以简化估计后验所需的 MAF 结构。在具有简单高斯似然的模拟哈勃参数数据上测试，该流程展现出从数据提取特征且无需可处理似然即可估计后验分布的能力。我们证明其能准确逼近真实后验，取得与传统 MCMC 方法相当的性能，且加入 DAE 后 MAF 在少量模拟时获得更好的训练结果。我们还讨论了所提流程在 OHD 与 Pantheon SN Ia 数据上的应用，并用它们约束非平坦 CDM 模型下的宇宙学参数。对于 SNe Ia，我们使用拟合光变曲线参数得到与相关工作相似的关于 的约束，且使用了更少的经验分布。此外，本工作也首次在 OHD 模拟流程中使用高斯过程。
引用
@article{arxiv.2005.10628,
title = {Likelihood-free Cosmological Constraints with Artificial Neural Networks: An Application on Hubble Parameters and SNe Ia},
author = {Yu-Chen Wang and Yuan-Bo Xie and Tong-Jie Zhang and Hui-Chao Huang and Tingting Zhang and Kun Liu},
journal= {arXiv preprint arXiv:2005.10628},
year = {2021}
}
备注
21 pages, 9 figures. Accepted for publication in ApJS. Updated to the accepted version