机器学习用于重建GRB光度曲线

当前宇宙学知识处理着一系列开放问题，其解决方案仍在调查中。主要问题是所谓的哈勃常数($H_0$)张力，即来自星际瓶颃星+超新星Ia (SNe Ia) 获得的局部$H_0$值与从微波背景辐射（CMB）观测中估计的宇宙学$H_0$值之间存在$4-6\sigma$的偏差。为调查这一问题，需要探测器覆盖整个红移$z$范围。星际瓶颃星是局部天体，SNe Ia可达到$z=2.9$，而CMB观测在$z=1100$。在此背景下，在$z>3$的中间红移范围使用探测器尤为有利，以更好地阐明现代宇宙学。伽马射线暴（GRB）特别适合这一任务，因为其可观测的最高红移可达$z=9.4$。将GRB用作标准化烛台需要使用紧密可靠的天体学关联，而GRB时间域数据中的间隙则代表了这一意义上的障碍。本文提出通过使用GRB光度曲线的函数形式和高斯过程（GP）进行重建来提高光度曲线（LC）参数精度的方法。通过这些过程填补GRB LC中的间隙，可实现LC参数拟合精度提升最高可达$41.5\%$，从而导致天体学关联中的散点减小，从而降低宇宙学参数估计的不确定性。