用稠密神经网络建模早期宇宙能量注入
高能物理 - 唯象学
2023-04-05 v1 宇宙学与河外天体物理
高能天体物理现象
摘要
我们展示了在公开代码包DarkHistory中，稠密神经网络可用于准确建模早期宇宙中高能粒子的冷却。DarkHistory在存在外来的能量注入(例如可能来自暗物质湮灭或衰变)时，自洽地计算早期宇宙的温度与电离历史。DarkHistory原版使用大型预计算转移函数表在红移步长中演化光子与电子能谱，这需要大量的内存与存储空间。我们提出了DarkHistory的轻量版本，利用简单的稠密神经网络来存储与插值转移函数，其在小型计算机上表现良好，无需繁重的内存或存储占用。该方法预期未来在转移函数中加入额外参数依赖时无需指数级增大的数据表即可扩展。
引用
@article{arxiv.2207.06425,
title = {Modeling early-universe energy injection with Dense Neural Networks},
author = {Yitian Sun and Tracy R. Slatyer},
journal= {arXiv preprint arXiv:2207.06425},
year = {2023}
}
备注
12 pages, 10 figures. Code at https://github.com/hongwanliu/DarkHistory . Data files at https://doi.org/10.5281/zenodo.6819281