Космология на основе машинного обучения по свойствам космических пустот

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.