研究快讯:利用AI算法通过高红移天文观测数据研究暗能量在宇宙膨胀中的作用
(2025年3月31日)

(图片来源:https://thesciencearchive.org/2502-10037v1)
3月28日,贵州师范大学先进计算重点实验室与西南交通大学天体物理中心合作的一项研究工作被国际天体物理专业期刊《Journal of High Energy Astrophysics》(IF=10.2,JCR天文与天体物理学科Q1分区)接收并出版。作者在人工神经网络(ANN)框架中通过最新哈勃参数观测数据(OHD)对高红移伽玛射线暴(GRB)光度关系定标,并联合Ia型超新星Pantheon+数据和重子声学振荡(BAO)暗能量光谱巡天(DESI)观测对暗能量模型进行观测限制。
GRB巨大能量爆发和高红移分布特点使得GRB成为宇宙研究的有力工具。基于机器学习的人工智能算法主要使用计算机工具模拟人类学习方式,通过对数据进行训练,在经验学习中优化具体算法的性能。ANN是一种深度学习网络架构,从信息处理角度在隐藏层中模拟人脑神经元网络对数据进行抽象。研究团队通过ANN算法从最新OHD重构GRB的光度距离,利用协方差矩阵量化数据关联性以减少误差传递,借助 KL 散度构建损失函数,以确保预测分布与真实分布一致来提升模型稳定性。研究选取了两个最新的GRB样本(A219和J220),在OHD低红移区间(z ≤ 1.965)定标的Amati关系(GRB光谱峰值能量与各向同性能量的关联)。联合高红移GRB数据和Pantheon+数据(0.001 < z < 2.26)与DESI观测(最大有效红移z=2.33)通过马尔可夫链蒙特卡洛(MCMC)方法对ΛCDM、wCDM和CPL暗能量模型进行联合限制。进一步结合Fermi卫星15年GRB数据(红移至z≈8.2),Union3超新星样本,以及DESI最新数据将进一步缩小宇宙学参数误差。这项研究展示了基于机器学习算法的人工智能算法在高红移宇宙学观测数据研究中的强大潜力。

图1: 通过OHD进行重构的ANN的架构。ANN输入为H(z)观察数据的红移z, 输出为预测值和误差。
隐藏层中的粗箭头表示数据的正向传播,白色箭头表示使用损失函数对误差进行反向重建。
注:
论文第一作者为贵州师范大学先进计算重点实验室2023级硕士研究生黄振,通信作者为贵州师范大学梁楠副研究员和西南交通大学刘煜教授。
研究获得国家自然科学基金(12373063)和贵州省科技计划项目基础研究项目(QKHJC-ZK(2024)ZD-020;QKHJC-ZK(2024)-YB443)的资助。
本项研究内容也被国际知名学术网站Science Archive作为亮点研究详细配图报道(https://thesciencearchive.org/2502-10037v1/)。
论文题目与全文链接:
论文题目“Gamma-Ray Bursts Calibrated from the Observational H(z) Data in Artificial Neural Network Framework” https://doi.org/10.48550/arXiv.2502.10037
https://authors.elsevier.com/tracking/article/details.do?aid=100377&jid=JHEAP&surname=Liang(论文接收与出版信息)