H'(z) 的神经网络重构及其在遥平行引力中的应用

在这项工作中，我们探索使用人工神经网络对遥平行引力及其 $f(T)$ 扩展施加约束的可能性。我们使用来自宇宙计时器和不同星系巡天的重子声学振荡的可用哈勃参数观测。我们讨论了训练网络模型以重构哈勃图的步骤。此外，我们描述了利用人工神经网络获得 $H'(z)$（即 $H(z)$ 的一阶导数）的步骤，这是该重构方法的一种新颖途径。这些分析辅以进一步研究我们置于 $H_0$ 上的两个先验的影响，以评估它们对分析的影响，这两个先验分别是 SH0ES 团队的局域测量（$H_0^{\text{R20}} = 73.2 \pm 1.3$ km Mpc$^{-1}$ s$^{-1}$）和卡内基超新星项目更新的 TRGB 定标（$H_0^{\text{TRGB}} = 69.8 \pm 1.9$ km Mpc$^{-1}$ s$^{-1}$）。此外，我们利用这些重构数据集通过一些宇宙学零检验来研究一致模型的有效性。最后，我们针对观测哈勃数据集的不同组合重构了允许的 $f(T)$ 函数。结果表明，在所有检验情形中，$\Lambda$CDM 模型均以 1$\sigma$ 置信水平舒适地包含在内。