神经网络作为巨像素数据集参数估计工具

我们提出了一种用于大型宇宙数据集参数估计的神经网络算法。宇宙数据集为模式识别算法带来了特殊挑战，因为输入模式（星系红移测量、宇宙微波背景各向异性图）并非固定模板叠加随机噪声，而是随机实现，其信息内容体现在数据点之间的相关性上。我们训练一组“委员会”神经网络，以区分固定参数值下的蒙特卡洛模拟。对训练好的网络进行抽样，使用额外的蒙特卡洛模拟生成于中间参数值，从而实现对网络从未训练的参数值的准确插值。蒙特卡洛样本自动提供频率主义或贝叶斯分析所需的概率分布和真值表。我们展示，神经网络提供的无偏参数估计，与最大似然算法的精度相当，但计算成本显著降低。在 CMB 各向异性情境下，神经网络进行参数估计的计算成本按 $N^{3/2}$ 规模。结果对典型大型宇宙数据集的噪声水平和抽样方案不敏感，为新一代大规模复杂数据集提供了理想工具。