基于机器学习的伽马射线暴模型无关定标

我们通过一种基于贝塞尔(Bézier)多项式的新型模型无关技术，缓解了伽马射线暴并非完美距离指示器所带来的循环问题。为此，我们使用了成熟的 Amati 与 Combo 关联。我们考虑由微分哈勃率点构建的改进定标模拟数据目录。为获取模拟数据，我们采用了那些能良好适配伽马射线暴的机器学习场景，并详细讨论了如何处理来自机器学习技术的小样本数据。具体而言，我们仅探究了三种机器学习处理方法，即线性回归、神经网络与随机森林，并强调了这些选择背后的定量统计动机。我们的定标策略是：取哈勃数据，利用机器学习创建模拟汇编，并首先通过标准卡方分析、随后借助层次贝叶斯回归过程，用贝塞尔多项式对上述关联进行定标。由这两种关联构建的相应目录已被用于约束暗能量图景。我们因而采用了基于最新 Pantheon 超新星数据、重子声学振荡以及我们的伽马射线暴数据的马尔可夫链蒙特卡洛数值分析。我们检验了标准 ΛCDM 模型与 Chevallier-Polarski-Linder 参数化。我们结合结果讨论了近期的 H0 张力。此外，我们强调了关于 Ωm 的进一步严重张力，并得出结论：轻微的演化暗能量模型是可能的。