LADDER: Revisiting the Cosmic Distance Ladder with Deep Learning Approaches and Exploring its Applications

要約

私たちは、LADDER – Learning Algorithm for Deep Distance Estimation and Reconstruction (深層距離推定と再構築のための学習アルゴリズム) と呼ばれる新しい深層学習フレームワークを使用して、宇宙の「宇宙距離はしご」を再構築する可能性を調査します。
LADDER は、パンテオン Ia 型超新星コンパイルからの見かけの等級データに基づいてトレーニングされ、データ点間の完全な共分散情報を組み込んで、対応する誤差とともに予測を生成します。
多数の深層学習モデルを使用していくつかの検証テストを実施した後、最もパフォーマンスの高いモデルとして LADDER を選択しました。
次に、バリオン音響振動などの他のデータセットの整合性チェックのためのモデルに依存しないツールとして機能すること、ガンマ線バーストなどの高赤方偏移データセットのキャリブレーション、モデルに依存しないツールとしての使用など、宇宙論的コンテキストにおける私たちの方法の応用を実証します。
私たちの分析では、これらの文脈における機械学習アプリケーションについて、興味深いながらも慎重に検討することを提唱しています。

要約(オリジナル)

We investigate the prospect of reconstructing the “cosmic distance ladder” of the Universe using a novel deep learning framework called LADDER – Learning Algorithm for Deep Distance Estimation and Reconstruction. LADDER is trained on the apparent magnitude data from the Pantheon Type Ia supernovae compilation, incorporating the full covariance information among data points, to produce predictions along with corresponding errors. After employing several validation tests with a number of deep learning models, we pick LADDER as the best performing one. We then demonstrate applications of our method in the cosmological context, that include serving as a model-independent tool for consistency checks for other datasets like baryon acoustic oscillations, calibration of high-redshift datasets such as gamma ray bursts, use as a model-independent mock catalog generator for future probes, etc. Our analysis advocates for interesting yet cautious consideration of machine learning applications in these contexts.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google