Joint reconstruction of $H(z)$ and $f\sigma_8(z)$ with physics informed neural networks

Technische Samenvatting: Gezamenlijke Reconstructie van $H(z)$ en $f\sigma_8(z)$ met Physics-Informed Neural Networks

Probleemstelling
Huidige kosmologische waarnemingen presenteren twee hardnekkige spanningen: de $H_0$-spanning (discrepantie tussen lokale afstandsschaalmetingen $\approx 73$ km s$^{-1}$ Mpc$^{-1}$ en door de CMB afgeleide waarden $\approx 67$ km s$^{-1}$ Mpc$^{-1}$) en de $\sigma_8$ (of $S_8$) spanning (galactische zwakke lenswerking-surveys wijzen op minder fluctuatiegroei van materie dan $\Lambda$CDM voorspelt). Hoewel eerdere werken de Hubble-parameter $H(z)$ en de groeisnelheid $f\sigma_8(z)$ onafhankelijk hebben gereconstrueerd met behulp van Gaussische processen of standaard kunstmatige neurale netwerken (ANN's), behandelen deze methoden de twee observabelen als statistisch onafhankelijk. Deze aanpak negeert de bekende fysieke koppeling tussen expansie en groei die door de Algemene Relativiteitstheorie (GR) wordt gedicteerd. Specifiek koppelt de lineaire groeivergelijking $H(z)$ en $f\sigma_8(z)$; het negeren van deze link tijdens de reconstructie voorkomt dat de data de groeigeschiedenis kan beperken via de expansiegeschiedenis en vice versa.

Methodologie
De auteurs stellen een proof-of-concept raamwerk voor met Physics-Informed Neural Networks (PINNs) om $H(z)$ en $f\sigma_8(z)$ gezamenlijk te reconstrueren zonder een specifieke donkere energie-toestandsvergelijking aan te nemen.

• Architectuur: Het model maakt gebruik van een dual-head netwerk met een gedeelde backbone. De input is roodverschuiving $z$ (omgeschaald naar $[-1, 1]$), verwerkt door drie verborgen lagen met een breedte van 512 met ELU-activatiefuncties (gekozen vanwege oneindige differentieerbaarheid). Het netwerk vertakt zich in twee onafhankelijke output-heads: één voor $H(z)$ en één voor $f\sigma_8(z)$. Output-activaties dwingen fysieke grenzen af (positiviteit voor $H(z)$ via softplus; een bereik van $(0.1, 0.9)$ voor $f\sigma_8(z)$ via sigmoid).
• Fysica-verlies: De kerninnovatie is de inclusie van een fysica-verliesterm, $\mathcal{L}_{physics}$, afgeleid van de lineaire groeivoortzetting (ODE) van GR:
  $$\frac{df}{d \ln a} + f^2 + \left[ 2 + \frac{1}{2} \frac{d \ln H^2}{d \ln a} \right] f = \frac{3}{2} \Omega_m(a)$$
  waarbij $f = f\sigma_8 / \sigma_{8,0}$ en $\Omega_m(a) = \Omega_{m,0}(1+z)^3 H_0^2 / H^2(z)$. De vereiste afgeleiden voor deze vergelijking worden exact berekend via automatische differentiatie door de computationele graaf van het netwerk, waardoor numerieke discretiefouten worden vermeden.
• Totaalverlies: Het trainingsdoel minimaliseert een gewogen som: $\mathcal{L}_{total} = \mathcal{L}_{data,H} + \mathcal{L}_{data,f\sigma_8} + \lambda \mathcal{L}_{physics}$. De scalaire $\lambda$ regelt de afweging tussen het fitten van de data en het voldoen aan de fysieke vergelijking.
• Data en Training: Het netwerk wordt getraind op 50 $H(z)$-metingen (32 Cosmic Chronometers, 18 BAO) en 63 $f\sigma_8(z)$-metingen (Redshift Space Distortions). Een ensemble van 100 onafhankelijk geinitialiseerde netwerken wordt getraind om onzekerheid te kwantificeren. De studie test vier waarden van $\lambda \in \{0, 0.01, 0.1, 1.0\}$ en verankert de $H_0$-normalisatie met behulp van twee lokale priors: SH0ES ($73.04 \pm 1.04$) en Local Distance Network ($73.50 \pm 0.81$).

Belangrijkste Bijdragen

1. Eerste Gezamenlijke PINN-reconstructie: Dit werk vertegenwoordigt, naar weten van de auteurs, de eerste toepassing van een physics-informed multi-head architectuur om de expansiegeschiedenis en de lineaire structuurgroei gezamenlijk te modelleren onder een gedeelde fysieke beperking (de GR-groeivoortzetting/ODE) tijdens de training, in plaats van als een post-hoc consistentiecontrole.
2. Automatische Differentiatie voor Kosmologie: De methode demonstreert het nut van automatische differentiatie bij kosmologische reconstructie om exacte afgeleiden van de netwerkoutputs te berekenen voor de ODE-residuen, wat de noodzaak voor ruimtelijke rasters of eindelijke differentie-benaderingen elimineert.
3. Effectiviteit van Koppeling: De studie stelt vast dat het koppelen van de twee observabelen via de groeivergelijking haalbaar en voordelig is, wat leidt tot een kleinere ensemble-spreiding en zorgt voor dynamische consistentie.

Resultaten

• Optimale Koppeling: Een koppelingsgewicht van $\lambda = 0.1$ wordt geïdentificeerd als de optimale balans tussen data-fit en fysieke consistentie. Bij deze waarde convergeren de fysica-loss en de data-losses naar vergelijkbare grootheden, waardoor wordt voorkomen dat een enkele term de gradiënt domineert.
• $H_0$-Verankering: Zonder een expliciete $H_0$-prior herstelt het netwerk een vertekende lage $H_0$ ($46\text{--}52$ km s$^{-1}$ Mpc$^{-1}$). Wanneer het wordt verankerd aan een of andere lokale SH0ES of Local Distance Network prior, herstelt het netwerk $H_0$ exact op de priorwaarde. De twee verschillende priors leveren ononderscheidbare $f\sigma_8(z)$ reconstructies, wat de robuustheid aantoont tegenover de specifieke waarde van de lokale $H_0$-spanning die wordt gehanteerd.
• Groei-spanning: De gereconstrueerde $f\sigma_8(z)$ ligt systematisch onder de $\Lambda$CDM+GR-voorspelling op alle roodverschuivingen, met de grootste afwijking rond $z \sim 0.4\text{--}1.0$. Dit is consistent met de $\sigma_8$-spanning. De koppeling verwijdert dit signaal niet; in plaats daarvan voorkomt het dat de groei-head de spanning als ruis absorbeert.
• Null-testen:
  • $Om(z)$: De null-test laat een duidelijke afwijking zien van de vlakke $\Lambda$CDM-verwachting (een niet-vlak profiel) bij lage roodverschuivingen, inclusief een negatieve dip bij $z \lesssim 0.2$ (toegeschreven aan schaarse Cosmic Chronometer-data en reconstructie-artefacten) en een overschot bij intermediaire roodverschuivingen.
  • $Om_{f\sigma_8}(z)$: Deze diagnostiek bevestigt onderdrukte groei ten opzichte van $\Lambda$CDM, consistent met onafhankelijke ANN-reconstructies gevonden in eerdere literatuur (Ref. [9]).
• Systematiek: De auteurs merken op dat de fiduciale waarden $\Omega_{m,0}=0.3$ en $\sigma_{8,0}=0.8$ hardcoded zijn. De systematische onzekerheid van deze keuzes domineert de statistische ensemble-spreiding. Daarnaast erven 18 BAO-datapunten de Planck 2018 geluidshorizon, wat een modelafhankelijkheid introduceert in de expansiesector.

Betekenis en Claims
Het artikel beweert een proof-of-concept te hebben geleverd dat het koppelen van $H(z)$ en $f\sigma_8(z)$ door de GR-groeivergelijking tijdens de training zowel haalbaar als voordelig is. De primaire betekenis ligt in de demonstratie dat:

1. De reconstructie robuust is voor de keuze tussen twee concurrerende lokale $H_0$-bepalingen.
2. De fysieke koppeling fungeert als een fysisch gemotiveerde regularisator, wat leidt tot gladdere reconstructies en de ensemble-onzekerheid vermindert zonder een specif kind specifiek donker energie-model op te leggen.
3. De methode erin slaagt de $f\sigma_8(z)$ spanning (onderdrukte groei) te herstellen, zelfs wanneer deze wordt beperkt door lokale $H_0$-waarden, wat suggereert dat de spanning een robuust kenmerk van de data is en geen artefact van de reconstructiemethode.

De auteurs uiten zich expliciet bescheiden over hun claims: zij beweren geen statistisch significante detectie van nieuwe fysica te hebben gedaan, aangezien de ensemble-spreiding wordt gedreven door sensitiviteit voor initialisatie in plaats van data-ruis-resampling, en volledige posterieure onzekerheden niet zijn gepropageerd. Zij identificeren de vaste fiduciale parameters ($\Omega_{m,0}, \sigma_{8,0}$) en het gebrek aan Alcock-Paczynski correcties voor individuele surveys als beperkingen die in toekomstig werk moeten worden aangepakt.