利用新校准的高红移伽马射线暴观测进行神经网络与标准宇宙学描摹

在高红移探测到的伽马射线暴（GRBs）可用于示踪宇宙膨胀历史。然而，与 Ia 型超新星（SNeIa）相比，其光度距离的校准并非易事。为校准这些数据，需要识别其光度与 GRB 其他观测性质之间的相关性，且必须考虑这些相关性在整个观测红移范围内的假设有效性。在本工作中，我们提出一种利用 SNeIa 观测与机器学习架构将 GRB 校准为宇宙学距离指示器的全新方法。同时，我们纳入了一组在红移范围 $z>3.6$ 之上使用扩展宇宙学描摹校准的新 GRB 数据样本。该机器学习技术的概要在文献 [1] 中已用于研究高红移暗能量模型的演化。本工作所开发方法的目的是结合两个网络：循环神经网络（RNN）与贝叶斯神经网络（BNN）。利用这一记为 RNN+BNN 的计算方法，我们通过向贝叶斯过程添加协方差矩阵的计算来扩展网络效能。完成后，SNeIa 的距离-红移关系可在完整 GRB 样本上检验，并由此用于在不同区间实现距离-红移关系的宇宙学描摹重建。因此，我们新训练的神经网络被用于通过高红移（直至 $z\approx 10$）的宇宙学描摹方法约束描述宇宙运动学状态的参数，其中我们对深度学习架构本身仅需极少的假设，且不依赖于任何特定引力理论的动力学方程。