面向星系团调查从而从中提取宇宙学参数的最优方法——使用卷积神经网络

从星系调查中约束宇宙学参数的可能性取决于我们生成模拟训练集的能力，这些训练集既需要真实可信以再现真实数据的关键特征，又需要大量生成以允许精炼训练过程的精度。本文 presented 的分析是对这些需求的一种响应方式，通过 (a) 使用星系团作为大尺度结构的探测器，以及 (b) 采用 3LPT 代码 (Pinocchio) 生成由 $32\,768$ 个模拟 X 射线星系目录构成的大规模训练集。以经验 $M-L_X$ 标定关系对暗物质星系随机分配 X 射线亮度。借助该训练集，我们测试了基于从星系分布派生的输入过密度场预测宇宙学参数的 3D 卷积神经网络 (CNN) 的能力与性能。我们与基于星系数量及其功率谱的传统摘要统计量训练的神经网络进行了比较。结果表明，结合星系数量的场级分析对预测值 $\Omega_{\rm m}$ 和 $\sigma_8$ 的平均绝对相对误差较摘要统计量方法分别提高约 $\sim 10 \%$ 和 $\sim 20 \%$。此外，当传递每个星系的单个亮度信息给 CNN 时，精度提升可超过 $50 \%$。