Космология на основе машинного обучения по свойствам космических пустот

Machine-learning Cosmology from Void Properties
Benjamin D. Wandelt, Francisco Villaescusa-Navarro, Alice Pisani, Bonny Y. Wang
2023-09-26

космические пустотывыведение космологических параметровглубокие множествабезымянностное выведениекосмология на основе машинного обучения
Космические пустоты представляют собой крупнейшие и наиболее разреженные структуры во Вселенной. Показано, что их свойства содержат ценную информацию о законах и составляющих Вселенной. Мы демонстрируем, что методы машинного обучения позволяют извлекать информацию из характеристик пустот для вывода космологических параметров. Мы используем тысячи каталогов пустот из набора данных GIGANTES, причем каждый каталог содержит в среднем 11 000 пустот в объеме 1 (h⁻¹ Гпк)³. Мы сосредоточиваемся на трех свойствах космических пустот: эллиптичности, контрасте плотности и радиусе. Мы обучаем (1) полносвязные нейронные сети на гистограммах отдельных свойств пустот и (2) глубокие множества на каталогах пустот для выполнения безправдоподобностного вывода космологических параметров. Мы обнаруживаем, что наши лучшие модели способны оценивать значения Ω_m, σ_8 и n_s со средними относительными ошибками 10%, 4% и 3% соответственно, не используя пространственную информацию из каталогов пустот. Наши результаты иллюстрируют возможность применения машинного обучения для ограничения космологических параметров с использованием пустот.
1
Полнейросвязные сети обрабатывают гистограммы отдельных свойств, а архитектуры deep sets напрямую анализируют каталоги для безлактикостного вывода космологических параметров.
2
Методы машинного обучения позволяют извлекать информацию о космологических параметрах из свойств космических войд-пространств без использования пространственной информации каталогов.
3
Лучшие модели оценивают Ωm, σ8 и ns со средними относительными ошибками 10%, 4% и 3% соответственно.
4
Результаты демонстрируют перспективность статистики свойств войд-пространств для космологических ограничений с помощью машинного обучения.
5
Исследование использует эллиптичность, контраст плотности и радиус из тысяч каталогов войд-пространств GIGANTES, каждый из которых содержит около 11 000 объектов в объёме 1 (h⁻¹ Gpc)³.

Космические войды и их каталоги, характеризуемые эллиптичностью, контрастом плотности и радиусом

Кодирование космологических параметров (Ωm, σ8 и ns) в свойствах войдов и их вывод с помощью машинного обучения без использования пространственной информации

Publication Details
Publication Date
2023-09-26
Journal
Publisher
ISSN
Cited by
19
Access Type
Author Information
Authors
Benjamin D. Wandelt
Francisco Villaescusa-Navarro
Alice Pisani
Bonny Y. Wang
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%