用机器学习研究宇宙暴胀

我们提出了一种基于遗传算法（GA）的机器学习方法，可用于直接从宇宙学数据重建暴胀势。我们构建了一个由 GA、用于计算理论预测的初值代码与玻尔兹曼代码，以及宇宙微波背景（CMB）数据组成的流水线。作为概念验证，我们将该方法应用于 Planck CMB 数据，并以非参数但解析的方式探索单场暴胀势的函数空间。我们表明该算法轻易地改进了二次暴胀的 vanilla 模型，并提出了更契合数据的慢滚势，同时我们确认了 Starobinsky 暴胀模型（及其他小场模型）的稳健性。此外，利用未分箱的 CMB 数据，我们通过以不可知方式搜索势中的振荡特征，完成了 GA 的首次具体运用，并发现相对于最佳无特征势有非常显著的改进，$\Delta \chi^2 < -20$。这些令人鼓舞的初步结果推动了利用多峰频率分布在原初功率谱中搜索共振特征的工作。我们强调，我们的流水线具有模块化特性，可轻易扩展至其他 CMB 数据集与暴胀情形，如多场暴胀或含高阶导数理论。