🔭 astrophysics

A sound-horizon-free measurement of the Hubble constant from DESI DR2 baryon acoustic oscillations using artificial neural networks

本文利用人工神经网络方法，通过结合 DESI DR2 钡子声学振荡（BAO）、Ia 型超新星和宇宙计时器数据，在不依赖声学视界尺度及 $\Lambda$ CDM 模型假设的情况下，测得 $H_0 = 71.5\pm2.2$ km s $^{-1}$ Mpc $^{-1}$ ，为哈勃张力问题提供了独立的支持。

原作者： Gaurav N. Gadbail, Kazuharu Bamba

发布于 2026-04-28

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Gaurav N. Gadbail, Kazuharu Bamba

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

这篇文章介绍了一项非常前沿的宇宙学研究。为了让你轻松理解，我们可以把宇宙想象成一个正在不断膨胀的巨大气球，而科学家们正在玩一场“测量气球膨胀速度”的游戏。

1. 背景：宇宙学界的“大吵架”（哈勃常数危机）

首先，我们要知道科学家们正在吵什么。我们要测量的这个“膨胀速度”，在科学上叫**“哈勃常数” ( $H_0$ )**。

现在的局面就像是：

“早起派” (Planck卫星团队)： 他们通过观察宇宙刚出生不久时的“婴儿照”（微波背景辐射），推算出膨胀速度比较慢。
“近视派” (SH0ES团队)： 他们通过观察宇宙里近处的星星（超新星）来测量，结果发现膨胀速度比较快。

这两拨人测出的数据对不上，就像两台精密的秤，一个说苹果重 1 斤，一个说重 1.5 斤。这让科学家们非常头疼：到底是测量工具坏了？还是我们对宇宙的理解从根本上就错了？

2. 这篇论文做了什么？（“不看说明书”的测量法）

以前的测量方法都有“先入为主”的偏见。比如“早起派”必须假设宇宙遵循某种特定的数学模型（ $\Lambda$ CDM模型），就像是你测量身高时，必须先假设你是一根笔直的木棍。

这篇论文的作者（Gadbail 和 Bamba）想出了一个**“超级硬核”的新招数**：

他们决定“不看说明书”！

他们使用了一种叫**“人工神经网络”（ANN）**的技术（你可以把它想象成一个极其聪明、能从杂乱数据中自动找规律的“数字大脑”）。这个“数字大脑”不需要预设任何宇宙模型，它直接盯着三种不同的宇宙现象看：

超新星 (SNe Ia)： 宇宙里的“标准蜡烛”，用来测距离。
宇宙计时器 (CC)： 通过观察老星系的年龄变化，直接测膨胀速度。
DESI 观测到的重子声学振荡 (BAO)： 宇宙里的“标准尺子”，通过星系分布的间距来测距离。

最天才的地方在于： 他们把这三种数据组合在一起，通过一个巧妙的数学公式，把那个最麻烦、最容易出错的变量（声学视界 $r_d$ ）给**“抵消”**掉了。这就像是测量一个物体的重量时，不需要知道秤的底座有多重，直接通过对比就能算出结果。

3. 结果如何？（“真相”似乎更偏向快的那一边）

通过这个“不看说明书”的方法，他们利用最新的 DESI 数据算出了一个新的膨胀速度。

结论是： 算出来的速度比“早起派”预言的要快。

这说明什么？这说明“哈勃常数危机”可能不是测量误差，而是真实的宇宙现象。宇宙的膨胀可能真的比我们用旧模型推算出来的要快。这为“宇宙可能存在某种我们还没发现的新物理规律”提供了强有力的证据。

总结一下（大白话版）：

问题： 科学家们对宇宙膨胀有多快吵得不可开交。
新招： 用一种“不带偏见”的人工智能方法，直接从三种不同的宇宙观测数据中提取信息，跳过了所有复杂的假设。
发现： 结果显示宇宙膨胀得挺快的，这进一步证实了之前的“吵架”是有道理的，宇宙可能藏着我们还没看透的秘密。

这是一篇关于利用人工神经网络（ANN）对 DESI DR2 数据进行分析，以实现“无声学视界”（sound-horizon-free）测量哈勃常数（ $H_0$ ）的学术论文。以下是该论文的技术总结：

1. 研究问题 (The Problem)

当前宇宙学面临的核心矛盾是**“哈勃张力”（Hubble Tension）**：

早期宇宙测量（如 Planck 卫星的 CMB 数据）倾向于较低的 $H_0$ 值（约 $67.4 \text{ km s}^{-1}\text{ Mpc}^{-1}$ ），但这些结果高度依赖 $\Lambda$ CDM 模型。
局部宇宙测量（如 SH0ES 的超新星测距梯）倾向于较高的 $H_0$ 值（约 $73.04 \text{ km s}^{-1}\text{ Mpc}^{-1}$ ），但依赖于造父变星或 TRGB 的校准。
现有 BAO 方法的局限：传统的重子声学振荡（BAO）测量通常需要通过声学视界尺度（ $r_d$ ）进行校准，这引入了对早期宇宙物理模型的依赖。

本文目标：开发一种完全模型无关（Model-independent）且无需声学视界校准的方法，直接从观测数据中提取 $H_0$ 。

2. 研究方法 (Methodology)

该研究采用了一种创新的组合观测方案，其核心逻辑如下：

A. 理论框架：距离对偶关系 (Distance Duality Relation, DDR)

利用任何度规引力理论中通用的 DDR，即亮度距离 $d_L(z)$ 与角直径距离 $d_A(z)$ 之间的关系： $d_L(z) = (1+z)^2 d_A(z)$ 。通过结合三种互补的观测手段，构建了一个不含 $r_d$ 和超新星绝对星等的公式：
$H_0 = \frac{\Xi_{\text{SNIa}}(z) \cdot H_{\text{CC}}(z)}{(1+z)^2 \cdot \Xi_{\text{BAO}}(z)}$
其中：

$\Xi_{\text{SNIa}}(z) = H_0 d_L(z)$ ：来自 Type Ia 超新星 (Pantheon+) 的未锚定亮度距离。
$H_{\text{CC}}(z)$ ：来自宇宙计时器 (Cosmic Chronometers) 的哈勃参数。
$\Xi_{\text{BAO}}(z) = H(z) d_A(z)$ ：来自 DESI DR2 BAO 的声学视界无关组合（通过 $D_M/r_d$ 与 $D_H/r_d$ 的比值实现 $r_d$ 的抵消）。

B. 函数重建：人工神经网络 (ANN)

为了在离散的观测红移点之间获得连续的函数估计，作者使用了 ANN 代替了传统的高斯过程（GP）回归：

优势：ANN 是完全数据驱动的，不需要预设函数形式，也不需要像 GP 那样设定先验均值函数，从而避免了模型偏置。
架构：采用单隐藏层（4096 个神经元）和 ELU 激活函数，通过 Adam 优化器进行训练。
不确定性量化：使用 Bootstrap（自助法） 过程。通过对原始数据进行多次随机扰动并重新训练网络（1000 次实现），来模拟并传播观测误差。

3. 关键贡献 (Key Contributions)

方法论升级：将函数重建方法从高斯过程（GP）升级为人工神经网络（ANN），实现了更纯粹的数据驱动分析。
数据更新：首次将该方法应用于最新的 DESI DR2 数据集，相比 DR1，新增了 ELG1 和 QSO 两个独立的红移分量，显著提升了测量精度。
完全独立性：该方法同时绕过了“早期宇宙物理模型依赖”和“局部距离梯校准依赖”两大难题。

4. 研究结果 (Results)

联合约束值：通过对 7 个不同红移处的 BAO 迹线进行联合分析，得到 $H_0 = 71.5 \pm 2.2 \text{ km s}^{-1}\text{ Mpc}^{-1}$ （68% 置信度）。
与现有结果对比：
- 与 TRGB 结果和 SH0ES 结果在 $0.6\sigma$ 内一致。
- 与 Planck 2020 (CMB) 结果存在约 $2\sigma$ 的偏差。
红移一致性：分析显示 $H_0$ 在 $0.510 \le z \le 2.330$ 的红移范围内没有表现出明显的演化趋势，验证了宇宙学原理的稳健性。

5. 研究意义 (Significance)

该研究为解决“哈勃张力”提供了强有力的独立证据。由于该结果不依赖于 $\Lambda$ CDM 模型，也不依赖于声学视界或超新星绝对星等的校准，它倾向于一个较高的 $H_0$ 值，这进一步支持了“哈勃张力”并非由系统误差或模型假设引起，而是宇宙学中真实存在的物理现象的可能性。这为未来利用 DESI DR3 及 LSST 等下一代观测数据解决宇宙学难题奠定了基础。