机器学习邂逅 CMB 温度的红移演化

我们提出了一种模型无关且非参数的机器学习算法重构，用于从宽红移范围 $z\in \left[0,3\right]$ 重构宇宙微波背景（CMB）温度的红移演化，无需假设任何暗能量模型、绝热宇宙或光子数守恒。特别地，我们使用遗传算法，从而避免对初始先验或宇宙学基准模型的依赖。通过我们的重构，我们约束了晚期的新的物理。我们提供了来自参数化 $\text{T}(z)=\text{T}_0(1+z)^{1-\beta}$ 的 $\beta$ 参数、对偶关系 $\eta(z)$ 和宇宙不透明度参数 $\tau(z)$ 的新颖且更新的估计。此外，我们对随时间变化的精细结构常数 $\alpha$ 施加了约束，它将在诸如 CMB 各向异性等广泛物理现象中留下印记。总体而言，我们发现与公认的 $\Lambda\text{CDM}$ 模型在 $1\sigma$ 区域内无偏离证据，从而确认了其预测能力。