图神经网络在宇宙学中的新应用
宇宙学与河外天体物理
2025-05-20 v1
摘要
即将开展的宇宙学巡天将提供前所未有的数据量，这将需要创新的统计方法以最大化科学利用。基于宇宙示踪物的丰度、两点及高阶统计的标准宇宙学分析已被广泛用于研究宇宙网和大尺度结构的特性。然而，这些统计量只能利用全部可用信息内容的一个子集。因此，我们的目标是通过正向建模实现基于机器学习的新数据分析技术，直接利用星系和星系团的空间坐标及其他观测性质提取宇宙学信息。具体而言，我们研究了一种以图形式表示大尺度结构数据的新方法。该数据格式可直接输入图神经网络——一类最近提出的监督式深度学习算法。我们在不同宇宙学下的暗物质晕目录上测试了该方法，获得了有前景的结果。特别是，该方法可通过二分类（准确率）和多分类（准确率）高精度区分不同的暗能量模型。此外，它通过回归以高精度约束的值。
引用
@article{arxiv.2210.11487,
title = {New applications of Graph Neural Networks in Cosmology},
author = {Farida Farsian and Federico Marulli and Lauro Moscardini and Carlo Giocoli},
journal= {arXiv preprint arXiv:2210.11487},
year = {2025}
}
备注
Submitted for publication in the ML4ASTRO conference proceeding book