利用机器学习通过未来引力波任务重构哈勃参数

我们研究了高斯过程（GP，一种机器学习（ML）算法）作为工具，借助两项即将开展的引力波任务——演进型激光干涉空间天线（eLISA）与爱因斯坦望远镜（ET）——来重构哈勃参数 $H(z)$ 的前景。在假设多种背景宇宙学模型的情况下，利用为每个任务实际生成的星表，借助 GP 以非参数方式重构了哈勃参数。我们还分别重点关注了早期与晚期先验对 $H(z)$ 重构、进而对哈勃常数（$H_0$）的影响。我们的分析表明，在所考虑的特定任务的观测窗口内，GP 在重构宇宙膨胀历史方面相当稳健。我们进一步确认，eLISA 与 ET 均能提供与当前数据集推断结果相当的 $H(z)$ 和 $H_0$ 约束。特别地，我们观察到，在假设探测到约 1000 个亮警笛事件的条件下，持续约 10 年、探测到约 80 个亮警笛事件的 eLISA 观测，对 $H_0$ 的约束能力可媲美持续约 3 年的 ET 观测。对于更长的 eLISA 任务周期（如约 15 年、约 120 个事件的时段），精度有望进一步提升。最后，我们针对每个模型，逐一讨论了这些未来引力波任务在解决哈勃张力方面可能发挥的作用。