Различение космологий стандартной и модифицированной гравитации с помощью машинного обучения

Мы представляем сверточную нейронную сеть для классификации различных космологических сценариев на основе статистически сходных карт слабого гравитационного линзирования, которые они порождают. Модели модифицированной гравитации (MG), включающие массивные нейтрино, могут имитировать стандартную конкордантную модель — холодную темную материю с космологической постоянной (ΛCDM) — с точки зрения гауссовских наблюдаемых слабого линзирования. Невозможность различать физически допустимые модели, основанные на различной физике, потенциально ограничивает более глубокое понимание фундаментальной природы космического ускорения. Для фиксированного красного смещения источников мы показываем, что сеть машинного обучения, обученная на смоделированных картах сходимости, позволяет различать такие модели лучше, чем традиционные статистики высших порядков. При объединении нескольких красных смещений источников результаты улучшаются. Для ускорения обучения мы реализуем новую стратегию сжатия данных, учитывающую наши априорные знания о морфологии типичных особенностей карт сходимости. Наш метод полностью различает ΛCDM и наиболее сходную с ней модель модифицированной гравитации на данных без шума и правильно идентифицирует модели модифицированной гравитации как минимум в 80% случаев при использовании полной информации о красных смещениях. Добавление шума снижает долю правильной классификации для всех моделей, однако нейронная сеть по-прежнему значительно превосходит статистику пиков, использованную в предыдущем анализе.