机器学习揭示修正引力下的线性物质功率谱

物质功率谱 $P(k)$ 是连接观测宇宙学与理论宇宙学的主要量之一。尽管在固定红移下可由 Boltzmann 求解器非常高效地数值计算，但解析描述始终备受青睐。然而，针对共识模型的高精度拟合函数已有可用，而当考虑替代模型时，亦有必要给出 $P(k)$ 的解析形式。鉴于即将开展的巡天将进一步约束宇宙学模型的参数空间，为 $P(k)$ 建立考虑修正引力所 imprint 的若干可能效应的参数化函数亦具意义。本文使用遗传算法（一种机器学习技术）来寻找 $P(k)$ 的参数化函数，考量了修正引力所印记的多种可能效应。与通过修正版 Boltzmann 求解器 CLASS 获得的数值数据相比，我们所给出的修正引力 $P(k)$ 表达式平均精度约为 1-2%，因而在即将开展巡天的目标精度下是一种具有竞争力的表述。