暴胀的决定性未来

未来我们还能对单场暴胀模型有多少了解？我们在 Bayesian 设计与信息论的背景下探讨这一问题。我们开发了一种新方法来计算在模型间做决策的期望效用，并将其应用于一组未来主义的测量。这必然要求对 Bayesian 证据进行成千上万次的计算，这在数值上极具挑战性。我们展示了如何利用若干简化假设来完成此计算，并讨论了这些假设的有效性。我们还修改了先前在不同背景的文献中引入的期望效用形式，以便将每种可能的未来划分为在最大似然层面的模型拒绝或使用 Bayesian 模型比较的模型间决策。随后，我们量化了未来实验限制再加热温度与标量谱指数跑动的能力。我们的方法使我们能够讨论从未来宇宙学调查中最大化信息的可能策略。特别是，我们的结论表明，在暴胀模型选择的背景下，降低标量谱指数的测量不确定性将比降低张量标量比的不确定性更具决定性。我们已将我们的方法整合到一个公开可用的 python 类 foxi (https://sites.google.com/view/foxicode) 中，该类可直接应用于任何调查优化问题。