贾斯珀·阿尔伯斯;克里斯蒂安·菲德勒;朱利安·莱斯古格斯;尼尔斯·施内贝格;托拉多，耶稣 CosmicNet。一： Einstein-Boltzmann解算器中神经网络的物理驱动实现。 （英语） Zbl 07483177号 J.Cosmol公司。Astropart。物理学。 2019年，第9期，第28号论文，第26页（2019年）. 概述：爱因斯坦-玻尔兹曼解算器（EBS）是宇宙学界在将宇宙学模型拟合到数据时大规模运行的。我们提出了一个用神经网络加速此类代码的新概念。我们方法的独创性源于没有用机器学习算法替换整个EBS，而只是它最有问题、最不可并行化的步骤：随时间积分扰动方程。这种方法有两个显著的优点：该任务仅依赖于宇宙学参数的子集，并且对必须计算输出的实验的特性（例如，红移箱）一无所知。这使我们能够构建一个快速且高度可重用的网络。在这篇概念验证论文中，我们重点关注CMB源函数的预测，并根据物理考虑和解析近似设计我们的网络。与暴力方法相比，这使我们能够减少网络的深度和训练时间。事实上，使用网络计算源函数的速度足够快，因此不再是EBS中的瓶颈。最后，我们证明了它们的准确性足以从普朗克数据中准确推断MCMC参数。这为新项目CosmicNet铺平了道路，该项目旨在逐步扩展EBS中神经网络的使用和有效性范围，并在宇宙学参数提取的背景下节省大量计算时间。 MSC公司： 83至XX 相对论和引力理论 关键词：宇宙微扰论;来自CMBR的宇宙学参数;来自LSS的宇宙学参数 软件：CosmoNet公司;TensorFlow公司;类别;营地;喀拉拉邦;欧几里得仿真器;亚当;皮科;CosmoMC公司 PDF格式BibTeX公司 XML格式引用 \textit{J.Albers}等人，J.Cosmol。Astropart。物理学。2019年，第9期，第28号论文，第26页（2019年；Zbl 07483177） 全文： DOI程序 arXiv公司 参考文献： [1] 欧几里得合作，2019欧几里得准备：II。EuclidEmulator——一种计算非线性物质功率谱宇宙学相关性的工具，https://doi.org/10.1093/mnras/stz197周一。不是。罗伊。阿童木。Soc.484 5509[1809.04695]·doi:10.1093/mnras/stz197 [2] A.Lewis，A.Challino和A.Lasenby，2000，封闭FRW模型中CMB各向异性的有效计算，https://doi.org/10.1086/309179天体物理学。J.538 473[astro-ph/9911177]·doi:10.1086/309179 [3] D.Blas，J.Lesgougues和T.Tram，2011宇宙线性各向异性求解系统（CLASS）II：近似方案J.Cosmol。Astropart。物理2011 07 034[11042933] [4] U.Seljak和M.Zaldarriaga，1996，宇宙微波背景各向异性的视线积分法，https://doi.org/10.1086/177793天体物理学。J.469 437[astro-ph/9603033]·数字对象标识代码：10.1086/177793 [5] A.Lewis和S.Bridle，2002年来自CMB和其他数据的宇宙学参数：蒙特卡罗方法，https://doi.org/10.103/PhysRevD.66.103511物理学。版次D 66 103511[astro-ph/0205436]·doi:10.1103/PhysRevD.66.103511 [6] W.A.Fendt和B.D.Wandelt，2006 Pico：急躁宇宙学家的参数，https://doi.org/10.1086/508342天体物理学。J.654 2[astro-ph/0606709]·doi:10.1086/508342 [7] W.A.Fendt和B.D.Wandelt，2007年，使用Pico计算高精度功率谱，提交给Astrophys。京[20712.0194] [8] T.Auld、M.Bridges、M.P.Hobson和S.F.Gull，2007使用神经网络快速宇宙参数估计，https://doi.org/10.1111/j.1745-3933.2006.00276.x周一。不是。罗伊。阿童木。Soc.376 L11[天文数字/0608174]·doi:10.1111/j.1745-3933.2006.00276.x [9] T.Auld，M.Bridges和M.P.Hobson，2008 CosmoNet:使用神经网络在非平面模型中快速宇宙参数估计，https://doi.org/10.1111/j.1365-2966.2008.13279.x周一。不是。罗伊。阿童木。Soc.387 1575[astro-ph/0703445]·doi:10.1111/j.1365-2966.2008.13279.x [10] A.Manrique-Yus和E.Sellentin，《每个人的欧几里德-埃拉宇宙学：联合3×2可能性的神经网络辅助MCMC采样》，[1907.05881] [11] J.Lesgougues和T.Tram，2014非平面FLRW宇宙中快速准确的CMB计算J.Cosmol。Astropart。物理2014 09 032[1312.2697] [12] C.-P.Ma和E.Bertschinger，1994年，同步与共形牛顿规范中的宇宙学微扰理论，提交给天体物理学。J.[astro-ph/9401007] [13] T.Tram和J.Lesgourgues，2013 FLRW宇宙中的最优极化方程J.Cosmol。Astropart。物理2013 10 002[1305.3261] [14] V.Assassi、M.Simonović和M.Zaldarriaga，2017年，角功率谱和双谱的有效评估J.Cosmol。Astropart。物理2017 11 054[1705.05022] [15] N.Schöneberg、M.Simonović、J.Lesgougues和M.Zaldarriaga，2018超越传统的宇宙角度统计方法J.Cosmol。Astropart。物理2018 10 047[1807.09540]·Zbl 07462572号 [16] D.N.Limber，1953年，根据波动密度场对河外星云计数的分析，https://doi.org/10.1086/145672天体物理学。2011年11月17日134·数字对象标识代码：10.1086/145672 [17] W.Hu和M.J.White，1997 CMB各向异性的阻尼尾，https://doi.org/10.1086/303928天体物理学。J.479 568[astro-ph/9609079]·doi:10.1086/303928 [18] M.Abadi等人，TensorFlow:异构分布式系统上的大规模机器学习，[1603.04467] [19] F.Cholet等人，2015 Keras:Python深度学习库，https://keras.iohttps://keras.io, [20] 普朗克合作，2014年普朗克2013年成果。十六、。宇宙学参数，https://doi.org/101051/0004-6361/201321591阿童木。天体物理学.571 A16[1303.5076]·doi:10.1051/0004-6361/201321591 [21] 普朗克合作，普朗克2018年成果。六、 宇宙学参数[1807.06209] [22] M.D.Mckay、R.J.Beckman和W.J.Conover，2000计算机代码输出分析中选择输入变量值的三种方法的比较，https://doi.org/10.10080/00401706.2000.10485979技术计量42 55·网址：10.1080/00401706.2000.10485979 [23] B.Tang，1993基于正交数组的拉丁超立方体，https://doi.org/101080/01621459.1993.10476423J.Amer。统计师。协会88 1392·Zbl 0792.62066号 ·doi:10.1080/01621459.1993.10476423 [24] D.P.Kingma和J.Ba，Adam：一种随机优化方法，[1412.6980] 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。