Ricci-Cubic全息暗能量的观测约束：基于MCMC抽样与增强机器学习分析

本文从各种观测数据集（如哈勃数据、宇宙计时器数据、联合波动振荡数据以及伽马射线暴数据）中寻找Ricci-Cubic全息暗能量 (RCHDE) 参数空间的约束。RCHDE由构成于Riemann张量和Ricci张量的立方不变量构建。我们采用蒙特卡洛-希洛鲁 (MCMC)抽样技术通过贝叶斯推断寻找模型参数的约束。获得了模型参数的轮廓图，显示其边缘化和联合概率分布。找到了受约束模型的最佳拟合回归线，并与标准$\Lambda$CDM模型比较，以验证和验证该模型。为补充这一数据分析机制，我们还采用观测哈勃参数数据执行了增强机器学习分析。该方法通过独立、数据驱动的回归技术来验证模型的预测能力。针对机器学习技术的不同图形说明被呈现，以理解结果。这些说明揭示了机器学习模型、理论RCHDE模型和观测数据之间的强烈一致性。