⚛️ general relativity

Late-Time Alleviation of the Hubble Tension in CPL Cosmology with Massive Neutrinos via Bayesian Physics-Informed Neural Networks

本研究采用贝叶斯物理信息神经网络，旨在证明将随时间演化的暗能量状态方程（CPL）与大质量中微子相结合，能有效缓解哈勃张力，使早期与晚期宇宙的 $H_0$ 测量值在 $\sim1$ - $2\sigma$ 的范围内达成一致。

原作者： Muhammad Yarahmadi

发布于 2026-07-21

📖 1 分钟阅读🧠 深度阅读

原作者： Muhammad Yarahmadi

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，宇宙是一个巨大的、正在膨胀的气球。几十年来，科学家们一直试图弄清楚这个气球现在到底膨胀得有多快。这个速度被称为哈勃常数。问题在于，我们有两种截然不同的测量方法，而它们并不一致。一种方法观察的是宇宙的“婴儿照”（宇宙微波背景），它说气球膨胀的速度比较慢；而另一种方法观察的是附近的“成年”恒星和超新星，却说：“不，它的膨胀速度要快得多！”这种分歧被称为“哈勃张力”，就像两个专家在测量同一个房间时，用了不同的卷尺，却得到了不同的长度。如果这两把卷尺都是正确的，那就意味着我们对宇宙规律（物理学）的理解可能缺失了一块拼图。

为了解决这个问题，科学家们寻找可能改变宇宙膨胀速率的隐藏成分。两个大嫌疑对象是“暗能量”（一种将宇宙推开的神奇力量）和“中微子”（具有微小质量的、幽灵般的微小粒子）。通常情况下，我们假设暗能量是一个恒定不变的力量，但也许它其实是一个“变色龙”，其强度会随时间而变化。而且，那些幽灵般的中微子可能比我们想象的要重，它们像是一个微妙的刹车，减缓了宇宙的膨胀。问题是，如果我们让这些成分发生波动和变化，能否让这两把不同的卷尺达成一致？

在这篇论文中，研究员穆罕默德·亚拉赫马迪（Muhammad Yarahmadi）使用一种非常现代化的工具——一种名为“贝叶斯物理信息神经网络”（PINN）的“智能”计算机程序，来应对这场宇宙级的分歧。请把这个程序不仅看作一个计算器，而是一个被迫在学习物理定律（例如宇宙如何膨胀的规则）的同时，还要同时学习来自望远镜的实际数据的学生。该程序不仅仅是在猜测数字，它还受到宇宙“规则手册”的“启发”，从而确保它给出的每一个答案都符合物理逻辑。

这项研究测试了三种不同版本的宇宙“规则手册”。第一种是标准模型，其中暗能量是一个枯燥、不变的常数。第二种允许暗能量成为一个“变色龙”，其行为会随时间而改变（使用 CPL 模型）。第三种增加了一个转折：它让那些幽灵般的中微子拥有一个特定的、自由浮动的质量。研究人员向这个智能程序输入了来自三个主要来源的数据：宇宙的“婴儿照”（Planck 2018）、“成年”超新星（Pantheon+）以及早期宇宙声波的“回声”（DESI DR2 BAO 测量数据）。

以下是这个智能程序发现的结果。当他们坚持使用那种枯燥、不变的暗能量模型时，早期宇宙与晚期宇宙测量值之间的分歧依然顽固存在。当他们允许暗能量随时间变化时（CPL 模型），结果发生了偏移。程序表明，暗能量现在的情况可能与过去略有不同，这推高了计算出的膨胀率。这有助于使“晚期宇宙”的测量结果更好地与附近的恒星测量结果相吻合，在某些特定情况下降低了张力，但它本身并不能完全解决问题，且往往会让与早期宇宙数据的分歧变得更大。

真正的魔力发生在他们把质量中微子加入其中的时候。通过允许中微子拥有质量（具体而言，根据数据组合的不同，中微子质量之和小于约 0.16 到 0.28 eV），模型趋于稳定。智能程序找到了一个“金发姑娘区”（即适中区间），在这个区间内，膨胀率稳定在约 69.7 到 71.6 km s⁻¹ Mpc⁻¹ 的范围内。在这种特定情景下（带有质量中微子的 CPL 模型），与局部测量值的张力显著下降，在几种情况下甚至降到了 1σ 水平以下，而与早期宇宙数据的张力也稳定在了更易处理的 1–2σ 范围。这表明，一个拥有略微变化的暗能量和一些较重中微子的宇宙，比那个标准、枯燥的宇宙更符合实际。

论文还进行了一项至关重要的检查，以确保他们的“智能学生”不是在凭空捏造。他们将 PINN 的答案与一种传统的、非常缓慢且极其严谨的方法——MCMC（马尔可夫链蒙特卡洛法）进行了对比。结果几乎完美契合，PINN 找到了相同的答案，但速度快了数千倍。这证明了这种新方法是一种可靠且快速的解决复杂宇宙谜题的方式。

最终，论文表明，哈勃张力不仅仅是一个测量误差；它可能是一个线索，暗示我们的宇宙比我们想象的更加动态。它暗示暗能量可能正在演化，而中微子的质量可能比我们想象中的“无质量”幽灵要重。虽然这并没有完全解决谜团（仍存在微小的分歧），但它指向了一个更加复杂且有趣的宇宙，同时也展示了利用人工智能直接从数据中学习物理学，是探索宇宙的一种强大的新途径。

技术摘要：通过贝叶斯物理信息神经网络缓解晚期哈勃张力

问题陈述
本文探讨了持久存在的“哈勃张力（Hubble tension）”问题，即从早期宇宙探测器（主要是基于 $\Lambda$ CDM 模型下的 Planck 2018 CMB 数据，得出 $H_0 \approx 67\text{--}68$ km s $^{-1}$ Mpc $^{-1}$ ）推断出的哈勃常数 ( $H_0$ ) 与直接的晚期测量值（例如使用宇宙距离阶梯的 SH0ES/R22，得出 $H_0 \approx 73\text{--}74$ km s $^{-1}$ Mpc $^{-1}$ ）之间存在显著的统计学差异。虽然标准 $\Lambda$ CDM 模型能够拟合广泛的观测结果，但其假设暗能量状态方程严格为常数（ $w=-1$ ）在理论上是随机设定的。作者研究了通过引入动力学暗能量（通过 Chevallier–Polarski–Linder 或 CPL 参数化）和质量中微子 ( $\Sigma m_\nu$ ) 来缓解这一张力是否可行。此外，本文旨在证明贝叶斯物理信息神经网络（Bayesian Physics-Informed Neural Networks, BPINNs）作为处理此类复杂高维宇宙学推断的高效计算替代方案的有效性。

方法论
本研究采用**贝叶斯物理信息神经网络（BPINN）**框架进行联合参数推断。

架构： 哈勃膨胀历史 $H(z)$ 由一个带有 Softplus 激活函数的全连接前馈神经网络表示。为了实现贝叶斯推断和不确定性量化，在训练过程中保留了 Dropout 层以近似贝叶斯边际化。
物理约束： 空间平坦宇宙的弗里德曼方程被直接嵌入到损失函数中，作为一个软物理约束。这确保了重建的膨胀历史与由 CPL 参数化和质量中微子定义的背景宇宙学保持一致。
参数空间： 模型同时推断宇宙学参数 $\Theta = \{H_0, \Omega_m, w_0, w_a, \Sigma m_\nu\}$ 以及神经网络权重。先验设定为具有物理动机但较为宽泛（例如 $H_0 \in [60, 80]$ , $w_0 \in [-2.5, -0.2]$ ）。
数据： 分析结合了晚期观测探针：
- DESI DR2 BAO： 提供横向和径向膨胀率几何约束的 13 个数据点。
- Pantheon+： 用于距离模数约束的 1701 个 Ia 型超新星。
- 宇宙计时器 (CC)： 32 个直接的 $H(z)$ 测量值。
- Planck 2018： 使用压缩的 CMB 距离先验（位移参数 $R$ 、声学尺度 $l_A$ 和 $\omega_b$ ）来锚定早期宇宙几何，而无需在晚期分析中使用完整的玻尔兹曼求解器。
训练： 总损失函数最小化负对数后验，包括数据似然项 ( $\chi^2_{data}$ )、物理信息项 ( $L_{phys}$ ) 和先验项 ( $L_{prior}$ )。

主要贡献

方法论验证： 本文在相同的观测数据集配置下，将 BPINN 框架与标准的 MCMC 分析（使用 Cobaya 进行）进行了对比验证。它证明了 BPINN 重建的后验分布与 MCMC 结果在 $1\text{--}2\sigma$ 范围内一致，同时将推断时间缩短了数个数量级。
模型比较： 研究针对三种模型进行了系统比较：
- $\omega$ CDM（常数 $w$ ）。
- CPL（动力学 $w(z) = w_0 + w_a \frac{z}{1+z}$ ）。
- CPL + $\Sigma m_\nu$ （动力学 $w$ 加上自由的总中微子质量）。
张力量化： 本研究针对各种数据集组合，特别是利用新的 DESI DR2 BAO 数据，严格量化了哈勃张力（ $T_{Planck}$ 和 $T_{SH0ES}$ ）。

结果

$\omega$ CDM 基准： 在标准模型中，涉及 BAO 的数据集组合系统性地倾向于较低的 $H_0$ 值，这降低了与 Planck 的张力，但增加了与 SH0ES 的张力。全组合结果为 $H_0 \approx 69.03 \pm 1.35$ km s $^{-1}$ Mpc $^{-1}$ ，留下了约 $1.2\sigma$ (Planck) 和 $\sim 2.1\sigma$ (SH0ES) 的残余张力。
CPL 动力学： 允许动力学暗能量会使 $H_0$ 的后验分布向较高值偏移（ $H_0 \gtrsim 70$ ）。数据倾向于当前的方程状态为 $w_0 \gtrsim -1$ （类精质模型）且具有负的 $w_a$ 。这显著降低了与 SH0ES 的张力（在某些情况下降至 $<1\sigma$ ），但相应地增加了与 Planck 的张力。
CPL + $\Sigma m_\nu$ ： 引入质量中微子稳定了推断的 $H_0$ 范围（ $69.7\text{--}71.6$ km s $^{-1}$ Mpc $^{-1}$ ）。该情景提供了一种更平衡的调和，张力通常被限制在 $1\text{--}2\sigma$ 范围内。中微子质量限制与当前极限一致（ $\Sigma m_\nu \lesssim 0.16\text{--}0.28$ eV）。
模型选择： 使用 $\chi^2$ 、AIC 和 BIC 统计量，即使在对额外自由参数进行惩罚后，扩展模型（CPL 和 CPL+ $\Sigma m_\nu$ ）在统计上仍优于 $\omega$ CDM。改进的拟合效果经证实并非过拟合的产物。
BPINN vs. MCMC： BPINN 对 $H_0, w_0, w_a$ 和 $\Sigma m_\nu$ 的结果在 $1\text{--}2\sigma$ 内与 MCMC 结果一致。BPINN 方法提供了相当的精度，同时显著降低了计算成本，特别是在后验探索阶段。

意义与主张
本文主张，动力学暗能量与质量中微子的相互作用为 $\Lambda$ CDM 提供了一个可行的现象学扩展，可以在不引入病态不稳定性（pathological instabilities）的情况下，实质性地缓解哈勃张力。具体而言，CPL+ $\Sigma m_\nu$ 模型提供了一种“平衡的调和”，其中与局部测量的张力降低到了 $2\sigma$ 以下，同时保持了与 CMB 约束的一致性。

在方法论上，这项工作确立了贝叶斯 PINNs 作为一种准确、高效且通用的精密宇宙学工具。通过将物理定律直接嵌入学习过程，该框架能有效处理参数简并问题（这在动力学暗能量和中微子质量分析中很常见）。作者得出结论，虽然仅靠晚期修正可能无法完全解决哈勃张力（因为与 Planck 的残余 $\sim 2\sigma$ 差异往往仍然存在），但演化的暗能量与中微子质量的结合代表了一个统计上受青睐的研究方向。研究强调，BPINN 框架是 MCMC 的强有力替代方案，能够以比 MCMC 快几个数量级的推断速度提供高精度约束。

技术摘要：通过贝叶斯物理信息神经网络缓解晚期哈勃张力

类似论文