作为边缘化重子效应的最优估计器的神经网络
宇宙学与河外天体物理
2020-11-13 v1 星系天体物理
天体物理仪器与方法
摘要
许多不同的研究表明，丰富的宇宙学信息存在于小的非线性尺度上。不幸的是，利用该信息需要克服两个挑战。首先，我们不知道能让我们获取最大信息的最优估计器。其次，重子效应以知之甚少的方式显著影响了该区域。理想情况下，我们希望使用一种在边缘化重子效应的同时提取最大宇宙学信息的估计器。在这项工作中，我们展示了神经网络可以实现这一点。我们利用了已知最大宇宙学信息量的数据：功率谱和二维高斯密度场。我们还用简化的重子效应污染数据，并训练神经网络预测宇宙学参数的值。对于该数据，我们展示了神经网络能够 1）提取可用的最大宇宙学信息，2）边缘化重子效应，以及 3）提取埋藏在重子物理主导区域中的宇宙学信息。我们还展示了神经网络会学习其训练数据的先验。我们得出结论，最大化宇宙学实验科学回报的一个有前景的策略是在具有不同强度和实现的重子效应的最先进数值模拟上训练神经网络。
引用
@article{arxiv.2011.05992,
title = {Neural networks as optimal estimators to marginalize over baryonic effects},
author = {Francisco Villaescusa-Navarro and Benjamin D. Wandelt and Daniel Anglés-Alcázar and Shy Genel and Jose Manuel Zorrilla Mantilla and Shirley Ho and David N. Spergel},
journal= {arXiv preprint arXiv:2011.05992},
year = {2020}
}
备注
16 pages, 12 figures. Codes publicly available at https://github.com/franciscovillaescusa/baryons_marginalization