A representation learning approach to probe for dynamical dark energy in matter power spectra

要約

我々は、宇宙の大規模構造の観測研究において動的ダークエネルギー（DE）モデルの圧縮表現を探索するための変分オートエンコーダ（VAE）アーキテクチャであるDE-VAEを紹介します。
DE-VAE は、波数 $k\in(0.01-2.5) \ h/\rm{Mpc}$ と 4 つの赤方偏移値 $z\in(0.1,0.48,0.78,1.5)$ で生成された物質パワー スペクトル ブーストでトレーニングされます。
進化する DE 状態方程式を記述する 2 つの追加パラメーターを使用した最も典型的な動的 DE パラメーター化。
ブーストは低次元表現に圧縮され、標準の冷暗黒物質 (CDM) パラメーターと連結されてから、再構築されたブーストにマッピングされます。
圧縮コンポーネントと再構築コンポーネントは両方ともニューラル ネットワークとしてパラメータ化されます。
驚くべきことに、宇宙分散を含むガウス誤差の $1\sigma$ ($2\sigma$) 以内の広範囲の宇宙論的パラメーターにわたって生成される DE パワー スペクトルの 95% (99%) を予測するには、単一の潜在パラメーターで十分であることがわかりました。
、ステージ IV のような調査のためのショット ノイズと体系的な効果。
この 1 つのパラメーターは、2 つの DE パラメーターとの高い相互情報量を示しており、これら 3 つの変数は、シンボリック回帰を通じて明示的な方程式でリンクできます。
2 つの潜在変数を含むモデルを考慮すると、予測の精度がわずかに向上するだけであり、3 番目の潜在変数を追加してもモデルのパフォーマンスに大きな影響はありません。
DE-VAE アーキテクチャを概念実証から、広範な $\Lambda$CDM モデルを超えた共通の低次元パラメータ化やさまざまな宇宙論の探索に使用する一般的なフレームワークまでどのように拡張できるかについて説明します。
データセット。
このようなフレームワークは、最適なプローブをターゲットにすることで宇宙論的調査の開発に情報を提供し、beyond-$\Lambda$CDM モデルの共通の現象学的側面に対する理論的洞察を提供する可能性があります。

要約(オリジナル)

We present DE-VAE, a variational autoencoder (VAE) architecture to search for a compressed representation of dynamical dark energy (DE) models in observational studies of the cosmic large-scale structure. DE-VAE is trained on matter power spectra boosts generated at wavenumbers $k\in(0.01-2.5) \ h/\rm{Mpc}$ and at four redshift values $z\in(0.1,0.48,0.78,1.5)$ for the most typical dynamical DE parametrization with two extra parameters describing an evolving DE equation of state. The boosts are compressed to a lower-dimensional representation, which is concatenated with standard cold dark matter (CDM) parameters and then mapped back to reconstructed boosts; both the compression and the reconstruction components are parametrized as neural networks. Remarkably, we find that a single latent parameter is sufficient to predict 95% (99%) of DE power spectra generated over a broad range of cosmological parameters within $1\sigma$ ($2\sigma$) of a Gaussian error which includes cosmic variance, shot noise and systematic effects for a Stage IV-like survey. This single parameter shows a high mutual information with the two DE parameters, and these three variables can be linked together with an explicit equation through symbolic regression. Considering a model with two latent variables only marginally improves the accuracy of the predictions, and adding a third latent variable has no significant impact on the model’s performance. We discuss how the DE-VAE architecture can be extended from a proof of concept to a general framework to be employed in the search for a common lower-dimensional parametrization of a wide range of beyond-$\Lambda$CDM models and for different cosmological datasets. Such a framework could then both inform the development of cosmological surveys by targeting optimal probes, and provide theoretical insight into the common phenomenological aspects of beyond-$\Lambda$CDM models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google