利用神经网络对伽马射线暴进行模型无关的校准

Λ 冷暗物质（ΛCDM）宇宙学模型在预测宇宙结构和演化方面取得了巨大成功，但近期的精密测量揭示了差异，尤其是在由本地和早期宇宙数据推断出的哈勃常数方面。伽马射线暴（GRBs）为宇宙学测量提供了一种有前景的替代方案，能够到达比传统距离指示器更高的红移。本工作利用 GRBs 在独立于 ΛCDM 框架的情况下精化宇宙学参数。使用长 GRB 的 Platinum 汇编数据集，我们通过人工神经网络（ANNs）将 Dainotti 关系——GRB 光度特性之间的经验关联——校准为标准烛光。我们分析了二维和三维 Dainotti 校准关系，利用基于 ANN 的马尔可夫链蒙特卡洛方法来最小化校准参数中的散射，从而实现稳定的哈勃图。这种基于 ANN 的校准方法优于高斯过程，避免了核函数依赖和过拟合等问题。我们的结果强调了需要模型无关的校准方法来解决 GRB 光度变化中的系统性挑战，最终以稳健的方式延伸宇宙距离阶梯。通过解决红移演化和减少系统性不确定性，GRBs 可以作为可靠的高红移距离指示器，为当前的宇宙学张力提供关键见解。