基于神经网络对哈勃图的不可知参数分析
宇宙学与河外天体物理
2023-02-27 v1 天体物理仪器与方法
无序系统与神经网络
摘要
近来超新星和类星体哈勃图扩展到远高于 1 的红移，重新激发了人们以非参数方法检验宇宙学模型并测量宇宙膨胀速率的兴趣。特别是，对暗能量成分可能演化给出模型无关约束极具意义。本文提出一种基于神经网络回归的新方法，以完全非参数、模型无关的方式分析哈勃图。我们首先通过具有与真实样本相同红移分布的模拟样本验证该方法，并讨论距离-红移关系“反演问题”相关的局限性。然后将该技术应用于超新星和类星体哈勃图分析。我们确认，直到 的数据与平坦 模型（）一致，而在更高红移处出现 倍西格玛偏离。平坦 模型若取 仍与数据相容。允许暗能量成分的一般演化时，我们发现解暗示 随红移增大，正如相互作用暗 sector 模型所预言。
引用
@article{arxiv.2302.12582,
title = {Non-parametric analysis of the Hubble Diagram with Neural Networks},
author = {Lorenzo Giambagli and Duccio Fanelli and Guido Risaliti and Matilde Signorini},
journal= {arXiv preprint arXiv:2302.12582},
year = {2023}
}