使用机器学习压缩物质转移函数 $T(k)$
宇宙学与河外天体物理
2023-04-24 v2 广义相对论与量子宇宙学
摘要
线性物质功率谱 将宇宙学中的理论与大尺度结构观测联系起来。其尺度依赖性完全编码在物质转移函数 中，该函数可由 Boltzmann 求解器数值计算，也可使用拟合函数（如著名的 Bardeen-Bond-Kaiser-Szalay (BBKS) 和 Eisenstein-Hu (EH) 公式）半解析地计算。然而，BBKS 和 EH 公式均存在一些显著缺陷。一方面，尽管 BBKS 表达式简单，但其精度仅达 ，远超未来巡天观测 的精度目标。另一方面，虽然 EH 的精度满足即将开展的实验要求，但其表达式相当冗长且复杂。在此，我们使用遗传算法，一种特定的机器学习技术，来推导转移函数 的简单且精确的拟合公式。当同时考虑大质量中微子效应时，我们的表达式相比 EH 公式略有改进，且相比之下显著更短。
引用
@article{arxiv.2211.06393,
title = {Using machine learning to compress the matter transfer function $T(k)$},
author = {J. Bayron Orjuela-Quintana and Savvas Nesseris and Wilmar Cardona},
journal= {arXiv preprint arXiv:2211.06393},
year = {2023}
}
备注
12 pages, 7 figures, 2 tables. Changes match published version