О разборе вырожденных космологий с помощью машинного обучения

На основе набора симуляций DUSTGRAIN-pathfinder мы исследуем наблюдательные вырождения между девятью моделями модифицированной гравитации и массивными нейтрино. Три типа методов машинного обучения проверяются на способность различать карты сходимости гравитационного линзирования путем извлечения низкоразмерных представлений данных. Классические дескрипторы карт, такие как спектр мощности, подсчёт пиков и функционалы Минковского, объединяются в единый вектор признаков и сравниваются с дескрипторами и статистиками, обычно используемыми в цифровой обработке изображений. Для непосредственного обучения новым признакам на основе данных мы используем свёрточную нейронную сеть (CNN). Для отображения векторов признаков в предсказания лежащей в их основе модели мы реализуем два различных классификатора: один основан на поиске ближайшего соседа, а другой — на полносвязной нейронной сети. Мы обнаруживаем, что нейронная сеть обеспечивает значительно более устойчивую классификацию, чем подход на основе поиска ближайшего соседа, а CNN формирует наиболее различающее представление данных. Она обеспечивает наиболее чёткое разделение различных моделей и наивысшую точность классификации — 59 процентов — для одного красного смещения источника. При выполнении томографического анализа с помощью CNN общая точность классификации существенно возрастает до 76 процентов, при этом наблюдательные вырождения полностью исчезают. Визуализация откликов фильтров CNN на различных глубинах сети предоставляет уникальную возможность изучать очень сложные модели и лучше понимать, почему они демонстрируют столь высокую эффективность.