以模型无关方式用机器学习测定宇宙曲率

在本工作中，我们利用哈勃参数测量 $H(z)$ 与 Ia 型超新星（SNe Ia）以宇宙学模型无关的方式测定宇宙曲率 $\Omega_K$。在我们的分析中，使用两种非线性插值工具重建哈勃参数，一是人工神经网络（ANN）方法，二是高斯过程（GP）方法。我们发现基于 GP 方法的 $\Omega_K$ 会受 $H_0$ 先验的很大影响，而 ANN 方法可克服这一点。因此，在宇宙曲率测量中 ANN 方法可能比 GP 更具优势。基于 ANN 方法，我们发现当前的 $H(z)$ 与 SNe Ia 数据偏好一个空间开放宇宙，且我们的结果与 Planck CMB 推断值之差为 $1.6\sigma$。为检验 ANN 方法的可靠性，以及未来引力波（GW）标准汽笛在宇宙曲率测量中的潜力，我们以模型无关方式利用模拟哈勃参数与 GW 标准汽笛约束 $\Omega_K$。我们发现 ANN 方法可靠且无偏，当探测到 100 个带电磁对应体的 GW 事件时，$\Omega_K$ 的误差为 $\sim0.186$，比由 Pantheon SNe Ia 约束的误差小约 $56\%$。因此，基于 ANN 的数据驱动方法在宇宙曲率测量中具有潜力。