基于卷积神经网络的无非线性预测增长率 $f\sigma_8$
宇宙学与河外天体物理
2024-07-23 v2
摘要
宇宙大尺度结构的增长率 是检验引力的重要动力学探针，可用于测试对广义相对论的偏离。然而，对于星系巡天而言，要从宇宙学观测中提取这一关键量，必须做两个重要假设：i) 一个基准宇宙学模型，通常取为宇宙常数与冷暗物质（CDM）模型；ii) 对观测功率谱的建模，尤其在非线性尺度上，这尤为危险，因为文献中使用的大多数模型充其量只是唯象的。在本工作中，我们提出一种涉及卷积神经网络（CNNs）的新方法，该方法在 Quijote N-body 模拟上训练，直接预测 且无需假设功率谱非线性部分的模型，从而避免了上述第二个假设。这可作为未来在第四阶段巡天中发展参数推断方法的第一步。我们发现，CNN 对 值的预测与基准值高度一致，因其优于最大似然分析以及训练于功率谱的 CNN。因此，我们发现 CNN 重建提供了一种可行替代方案，可在提取增长率时避免对小尺度非线性的理论建模。
引用
@article{arxiv.2305.12812,
title = {Non-Linearity-Free prediction of the growth-rate $f\sigma_8$ using Convolutional Neural Networks},
author = {Koya Murakami and Indira Ocampo and Savvas Nesseris and Atsushi J. Nishizawa and Sachiko Kuroyanagi},
journal= {arXiv preprint arXiv:2305.12812},
year = {2024}
}
备注
15 pages, 5 figures, 5 tables