在神经网络框架下利用观测 H(z) 数据重构伽马射线暴能量关系

伽马射线暴为探索远超 Ia 型超新星可达红移范围的宇宙膨胀历史提供了强有力的探针。然而，利用伽马射线暴研究宇宙学模型受到循环性问题的阻碍，该问题源于在伽马射线暴光度距离校准过程中假设了一个基准宇宙学模型。在本研究中，我们利用 A220 和 J220 汇编中的 Hubble 参数观测测量值，对伽马射线暴光度关系进行了模型无关的校准，从而避免了显式的宇宙学假设。我们采用人工神经网络直接从数据中重构校准关系。此外，我们实现了贝叶斯神经网络框架作为替代方法，从而能够以数据驱动的方式处理统计和系统不确定性。校准后的伽马射线暴样本用于约束 Amati 关系，我们系统地比较了不同校准技术和数据集获得的结果。我们发现，由两种神经网络方法得出的 Amati 关系斜率彼此一致，并且与先前使用模型无关方法获得的低红移校准结果一致。贝叶斯神经网络方法为校准过程中的不确定性传播提供了更稳健的框架。