基于机器学习的灰体因子解析表达式及其在原始黑洞中的应用

符号回归（SR）是一种机器学习方法，通过探索数学表达式的空间来识别最能适合给定数据集的表达式，在准确性和简单性之间进行权衡。我们将SR应用于灰体因子（GBF）的研究，GBF在霍金辐射的推导中发挥关键作用，因其计算复杂度而备受关注。我们探索了关于史瓦西黑洞（BH）GBF的简单解析形式。我们比较了不同方法的结果，并量化其与通过求解Teukolsky方程所得结果的一致性。作为案例研究，我们将我们的管道（称为\texttt{ReGrayssion}）应用于原始黑洞（PBH）作为暗能量（DM）候选者的研究，推导了来自暗物质背景$\gamma$-射线观测的约束。这些结果凸显了SR在提供人类可解释的近似GBF表达式方面的可能作用，为探索PBH作为DM候选者提供了新的途径。