利用机器学习从宇宙大尺度结构约束对广义相对论的偏离
宇宙学与河外天体物理
2022-11-18 v3 广义相对论与量子宇宙学
高能物理 - 唯象学
摘要
我们使用一种称为遗传算法（GA）的特定机器学习方法，通过Newton常数μ≡G_eff/G_N和暗能量各向异性应力η的可能演化来约束对广义相对论（GR）的偏离，二者在GR中均被定义为1。具体而言，我们使用大量背景与线性阶扰动数据，如Ia型超新星、重子声学振荡、宇宙计时器、红移空间畸变与E_g数据。我们发现，尽管GA受当前可用数据（尤其是E_g数据）质量较低的影响，但Newton常数的重建在误差范围内与常数值一致。另一方面，由于E_g数据的稀疏性与系统误差，各向异性应力强烈偏离1。最后，我们还基于下一代巡天创建了合成数据，并预测了任何可能探测到GR偏离的极限。特别地，我们使用了两个基准模型：一个基于宇宙学常数ΛCDM模型，另一个基于具有演化Newton常数的模型，称为μCDM。我们发现GA对μ(z)与η(z)的重建可约束在基准模型的几个百分点内，且在μCDM模拟情形下还能提供数个σ的强探测，从而展示了GA重建方法的效用。
引用
@article{arxiv.2209.12799,
title = {Machine learning constraints on deviations from general relativity from the large scale structure of the Universe},
author = {George Alestas and Lavrentios Kazantzidis and Savvas Nesseris},
journal= {arXiv preprint arXiv:2209.12799},
year = {2022}
}
备注
17 pages, 7 figures, 3 tables. Changes match published version