基于神经网络的星系功率谱协方差仿真——对BOSS DR12数据的重新分析

我们训练神经网络快速生成给定参数集（即天体学参数和星系偏置）下的红移空间星系功率谱协方差。该协方差仿真器利用传统全连接网络层和Transformer架构的组合，准确预测BOSS DR12星系目录中高红移、北天球区域样本的协方差矩阵。我们使用仿真的似然分析分别基于仿真和粗略计算得到的协方差进行计算，并通过两种不同指标量化网络性能：1） $\chi^2$ 的差异和2）对仿真BOSS DR12分析的似然等值线。我们发现，仿真器在大参数范围内返回优异结果。随后我们利用仿真器对BOSS HighZ NGC星系功率谱进行重新分析，发现随着协方差随天体学参数变化以及模型向量一起使用，可得 $\Omega_m = 0.276^{+0.013}_{-0.015}$，$H_0 = 70.2\pm 1.9$ km/s/Mpc，和 $\sigma_8 = 0.674^{+0.058}_{-0.077}$。与固定协方差矩阵 ($\Omega_m = 0.293\pm 0.017$，$H_0 = 70.3\pm 2.0$ km/s/Mpc，$\sigma_8 = 0.702^{+0.063}_{-0.075}$) 相比，这些约束代表平均 $0.46\sigma$ 的最佳拟合值偏移，约束力度提高 $5\%$。本工作表明，针对比二阶统计量更复杂的天体学量的仿真器可以在相当宽的参数组合范围内训练，以足够高的精度，在实际似然分析中实现。