宇宙结构增长的多任务重构

下一代大尺度结构巡天将显著提高增长数据的精度，使我们能够使用“不可知”方法在无需假设宇宙学模型的情况下研究扰动的演化。我们聚焦于一种特定的机器学习工具——高斯过程，来重构增长率$f$、物质涨落均方根$\sigma_8$及其乘积$f\sigma_8$。我们将该方法应用于代表即将到来的第四阶段星系巡天精度的模拟数据。我们将标准的单任务方法扩展为多任务方法，同时重构这三个函数，从而考虑它们之间的相互依赖。我们发现，对于未来巡天，该多任务方法优于单任务方法，并将使我们能以更高的显著性探测到对标准模型的偏离。相比之下，当前数据有限的灵敏度严重阻碍了不可知方法的使用，因为高斯过程参数需要精细调节才能获得稳健的重构。