用贝叶斯神经网络在宇宙学中寻找新物理：暗能量与修正引力
摘要
我们研究了贝叶斯神经网络（BNNs）在暗物质功率谱中探测新物理的潜力，此处集中于演化暗能量和对广义相对论的修正。在引入一种量化 BNN 中分类不确定性的新技术后，我们使用公开代码 ReACT 在 k 范围 (0.01 - 2.5) h Mpc^{-1} 和红移 bin (0.1,0.478,0.783,1.5) 中、带类 Euclid 噪声生成的模拟物质功率谱训练了两个 BNN。第一个网络将谱分为五个标签，包括 ΛCDM、f(R)、wCDM、Dvali-Gabadaze-Porrati (DGP) 引力以及一个“随机”类，而第二个网络被训练以区分 ΛCDM 与非 ΛCDM。两个网络都达到了约 95% 的相当的训练、验证和测试精度。每个网络也能够探测训练集中未包含的偏离 ΛCDM 的偏差，这通过用增长指数 γ 生成的谱得到证明。然后我们通过计算使得噪声平均的非 ΛCDM 分类概率至少为 2σ 的、偏离 ΛCDM 的最小偏差来量化每个网络的约束能力，发现这些界限为 f_{R0} ≲ 10^{-7}、Ω_{rc} ≲ 10^{-2}、-1.05 ≲ w_0 ≲ 0.95、-0.2 ≲ w_a ≲ 0.2、0.52 ≲ γ ≲ 0.59。通过训练一个专门网络以仅区分 ΛCDM 与 f(R) 功率谱，可将对 f(R) 的界限改进为能以 >2σ 的置信度探测非零的 f_{R0}，达到 O(10^{-8})。我们预期进一步的发展，例如纳入更小的长度尺度或对 ΛCDM 的额外扩展，只会提升 BNN 利用宇宙学数据集探测新物理的潜力。
引用
@article{arxiv.2012.03992,
title = {Seeking New Physics in Cosmology with Bayesian Neural Networks: Dark Energy and Modified Gravity},
author = {Michele Mancarella and Joe Kennedy and Benjamin Bose and Lucas Lombriser},
journal= {arXiv preprint arXiv:2012.03992},
year = {2022}
}
备注
19+9 pages, 16 figures, code available at https://github.com/Mik3M4n/BaCoN, data available at https://doi.org/10.5281/zenodo.4309918. v2: matches version accepted for publication in PRD. v3: title matches published version