基于多样化人工神经网络架构对合成哈勃展开数据的信度密度参数进行概率推断

本文建立在 ParamANN 的新颖方法（S. Pal 与 R. Saha 2024）的基础上，使用人工神经网络（ANN）推断宇宙密度参数，通过确定在不同合成哈勃数据信噪比（SNR）下估计密度参数 $\Omega_{m, 0}$ 和 $\Omega_{\Lambda, 0}$ 的最佳架构来实现这一目标。为生成合成数据，本文随机抽取 $z=0$ 处的初始自由参数值，并基于理论先验条件，使用第一 Friedmann 方程逆向演化以生成干净的 $H(z)$ 曲线。随后，本文通过对 47 项来自 A. Bouali 等人（2023）编译的真实数据观测结果进行高斯 KDE 采样，添加了高、正常和低 SNR 的真实噪声。最终，本文发现使用 BiLSTM 的 RNN 在高和正常 SNR 数据上在四个定量指标上最为有效。另一方面，结合卷积和循环层使用 GRU 的模型在低 SNR 数据上在相同四个指标上表现最佳。与本文的 ANN 预测结果和 ParamANN 的结果进行比较显示，本文中测试的所有架构 regardless of training SNR 都在 ParamANN 的 1 个标准偏差范围内是统计上一致的。然而，大多数 ANN 结果在 Planck Collaboration 等人（2020）的 3 个标准偏差范围内是统计上不一致的，显示 ANN 与 Planck 合作使用更传统的 MCMC 方法相比存在显著差异。