基于机器学习的简并宇宙学模型辨析
宇宙学与河外天体物理
2019-04-17 v2 计算机视觉与模式识别
广义相对论与量子宇宙学
摘要
基于DUSTGRAIN-pathfinder模拟套件，我们研究了九种修改引力与大质量中微子模型之间的观测简并。我们测试了三类机器学习技术，通过提取数据的降维表示来判别透镜收敛图的能力。将功率谱、峰值计数和Minkowski泛函等经典图描述符组合为联合特征向量，并与数字图像处理领域常见的描述符和统计量进行比较。为直接从数据学习新特征，我们使用了卷积神经网络（CNN）。对于特征向量与其底层模型预测之间的映射，我们实现了两种不同的分类器：一种基于最近邻搜索，另一种基于全连接神经网络。我们发现神经网络比最近邻方法提供更稳健的分类，且CNN提供了最具判别力的数据表示。它在不同模型间实现了最清晰的分离，在单源红移下达到59%的最高分类成功率。一旦我们进行层析CNN分析，总分类精度显著提升至76%，且不再有观测简并。可视化CNN在不同网络深度的滤波器响应，为我们提供了从非常复杂的模型中学习并更好理解其优异性能原因的独特机会。
引用
@article{arxiv.1810.11027,
title = {On the dissection of degenerate cosmologies with machine learning},
author = {Julian Merten and Carlo Giocoli and Marco Baldi and Massimo Meneghetti and Austin Peel and Florian Lalande and Jean-Luc Starck and Valeria Pettorino},
journal= {arXiv preprint arXiv:1810.11027},
year = {2019}
}
备注
21 pages, 14 figures, 10 tables. Associated code and data respository at https://www.bitbucket.org/jmerten82/mydnn . Accepted for publication by the MNRAS