⚛️ general relativity

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

本文通过将物理信息神经网络与线性增长方程耦合，展示了联合重构哈勃参数 $H(z)$ 和增长率 $f\sigma_8(z)$ 的概念验证，揭示了其与 $\Lambda$ CDM 预测之间存在系统性张力，同时证实了该方法对于不同局部 $H_0$ 先验的鲁棒性。

原作者： Konstantinos F. Dialektopoulos

发布于 2026-06-17

📖 1 分钟阅读🧠 深度阅读

CC BY 4.0

原作者： Konstantinos F. Dialektopoulos

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，宇宙就像一个巨大的、正在膨胀的气球。几十年来，科学家们一直试图测量关于这个气球的两个特定指标：

现在的膨胀速度以及过去不同时期的膨胀速度（称为 $H(z)$ ）。
物质“团块”（如星系）由于引力而聚集在一起的速度（称为 $f\sigma_8(z)$ ）。

长期以来，科学家们是分别测量这两项指标的，就像两个在不同房间工作的不同团队。他们会测量膨胀，测量团聚，然后在事后聚在一起，看看两者的结果是否能相互解释通。

这篇论文介绍了一种全新的方法，使用的是一种被称为**物理信息神经网络（Physics-Informed Neural Network, PINN）**的 AI 技术。你可以把这种 AI 不仅仅看作是一个寻找模式的机器，而是一个在学习过程中被教授了严格“规则手册”（物理定律）的学生。

以下是作者所做工作及发现的简单拆解：

1. 问题：两个团队，一个宇宙

在过去，“膨胀团队”和“团聚团队”是独立工作的。

膨胀团队观察星系远离的速度。
团聚团队观察引力如何将物质拉拢在一起。
问题在于： 根据爱因斯坦的引力理论（广义相对论），这两者在数学上是紧密相连的。如果你知道了宇宙膨胀的速度，你就应该能够预测物质团聚的速度。如果你分别测量它们，可能会错过一个暗示我们目前的宇宙认知存在偏差的微妙线索。

2. 解决方案：“捆绑式”AI

作者构建了一个拥有两个头（一个负责膨胀，一个负责团聚）但同一个大脑（共享骨干网络）的特殊 AI。

捆绑（The Tether）： 他们用一根“物理绳索”将这两个头连接在一起。这根绳索是连接膨胀与团聚的数学方程。
运作方式： 当 AI 尝试从真实数据中学习时，如果两个头的输出违反了物理绳索，它就会受到“惩罚”（通过一个“损失函数”）。这就像训练一只去捡球的狗；如果狗在到达主人面前之前掉了球，它会受到轻微的纠正。AI 在学习拟合数据的同时，也学会了同时遵守物理定律。

3. 数据：混合测量

该 AI 被喂入了两种类型的数据：

50 个关于宇宙膨胀速度的测量值（来自“宇宙计时器”和早期宇宙中的声波）。
63 个关于物质团聚速度的测量值（来自星系在空间中的运动）。

4. 重大发现：“哈勃张力”与“Sigma-8 张力”

目前宇宙学领域存在两个著名的谜团：

哈勃张力（Hubble Tension）： 本地测量显示的宇宙膨胀速度（约 73 km/s）比早期宇宙模型预测的速度（约 67 km/s）要快。
Sigma-8 张力： 对星系团聚程度的测量表明，物质的团聚程度比标准模型预测的要低。

AI 的发现：

锚定速度： 作者强制要求 AI 接受“本地”膨胀速度（约 73 km/s）作为起点。
结果： 即使在这种更快的膨胀速度下，AI 对物质团聚程度的预测仍然始终低于标准模型（ $\Lambda$ CDM）的预期。
类比： 想象你正在开车。速度计显示你正以 70 英里/小时的速度行驶（本地测量）。标准地图显示你应该看到某些风景（标准模型）。但当你看向窗外时，风景其实是不一样的（较低的团聚度）。AI 证实了，即便你相信速度计，风景依然与地图不符。

5. 为什么这很重要

它行得通： 作者证明了在学习过程中，利用物理方程将两种测量结合起来是可行且有益的。它创造了一个更平滑、更一致的宇宙图景。
稳健性（Robustness）： 他们尝试了两种不同的“本地速度”数值（73.04 和 73.50）。AI 对于物质如何团聚给出的答案几乎完全相同。这表明结果并非仅仅是某个特定数值带来的偶然现象。
“零假设检验”（Null Test）： 他们运行了一个诊断测试（称为 $Om(z)$），以观察宇宙是否表现得像一个平坦的标准模型。测试显示，宇宙表现出明显的“偏离”标准模型的迹象，尤其是在低红移处（距离我们较近的地方），这进一步强化了“我们的当前模型可能遗漏了某些东西”的观点。

他们没有做的事情

他们并没有声称已经解决了宇宙为何如此表现的“原因”（例如，他们并未证明存在一种新型暗能量）。
他们在此项研究中没有使用超新星数据（另一种类型的测量），尽管他们提到以后可以加入。
他们并未声称结果是完美的；他们指出，一些假设（如宇宙中物质的含量）是固定的，可能会引入偏差。

核心结论

这篇论文是一项“概念验证”。它表明，使用 AI 同时学习宇宙的膨胀与增长，并强制其遵守引力定律，是一种强大的工具。它证实了即使使用目前最先进的、具备物理感知能力的 AI 工具，关于宇宙膨胀速度与物质团聚程度之间的张力依然是真实且持续存在的。

技术摘要：利用物理信息神经网络进行 $H(z)$ 与 $f\sigma_8(z)$ 的联合重构

问题陈述
当前的宇宙学观测呈现出两个持久的张力： $H_0$ 张力（局部距离标尺测量值 $\approx 73$ km s $^{-1}$ Mpc $^{-1}$ 与 CMB 推导值 $\approx 67$ km s $^{-1}$ Mpc $^{-1}$ 之间的差异）以及 $\sigma_8$ （或 $S_8$ ）张力（星系弱引力透镜调查表明物质涨落增长比 $\Lambda$ CDM 预测的要小）。虽然以往的工作分别使用高斯过程或标准人工神经网络（ANN）重构了哈勃参数 $H(z)$ 和增长率 $f\sigma_8(z)$ ，但这些方法将这两个可观测物理量视为统计独立的。这种方法丢弃了广义相对论（GR）所规定的扩张与增长之间已知的物理耦合关系。具体而言，线性增长方程将 $H(z)$ 与 $f\sigma_8(z)$ 联系在一起；忽略这种联系会导致在重构过程中无法通过扩张历史来约束增长历史，反之亦然。

方法论
作者提出了一个概念验证框架，使用物理信息神经网络（PINNs）在不假设特定暗能量状态方程的情况下，对 $H(z)$ 和 $f\sigma_8(z)$ 进行联合重构。

架构： 该模型采用具有共享主干网络的双头网络。输入为红移 $z$ （重缩放至 $[-1, 1]$ ），通过三个宽度为 512 的隐藏层进行处理，并使用 ELU 激活函数（因其无限可微性而被选中）。网络分支为两个独立的输出头：一个用于 $H(z)$ ，另一个用于 $f\sigma_8(z)$ 。输出激活函数通过强制执行物理边界来确保合理性（通过 softplus 确保 $H(z)$ 的正定性；通过 sigmoid 将 $f\sigma_8(z)$ 控制在 $(0.1, 0.9)$ 范围内）。
物理损失： 核心创新在于引入了源自 GR 线性增长常微分方程（ODE）的物理损失项 $\mathcal{L}_{physics}$ ：
$\frac{df}{d \ln a} + f^2 + \left[ 2 + \frac{1}{2} \frac{d \ln H^2}{d \ln a} \right] f = \frac{3}{2} \Omega_m(a)$
其中 $f = f\sigma_8 / \sigma_{8,0}$ 且 $\Omega_m(a) = \Omega_{m,0}(1+z)^3 H_0^2 / H^2(z)$ 。所需的导数通过自动微分（automatic differentiation）通过网络的计算图精确计算，从而避免了数值离散误差。
总损失： 训练目标是最小化加权和： $\mathcal{L}_{total} = \mathcal{L}_{data,H} + \mathcal{L}_{data,f\sigma_8} + \lambda \mathcal{L}_{physics}$ 。标量 $\lambda$ 控制拟合数据与满足物理方程之间的权衡。
数据与训练： 网络在 50 个 $H(z)$ 测量值（32 个宇宙计时器，18 个 BAO）和 63 个 $f\sigma_8(z)$ 测量值（红移空间畸变）上进行训练。研究通过训练 100 个独立种子的网络集成来量化不确定性。研究测试了四个 $\lambda$ 值 $\lambda \in \{0, 0.01, 0.1, 1.0\}$ ，并使用两个局部先验来锚定 $H_0$ 归一化：SH0ES ( $73.04 \pm 1.04$ ) 和局部距离网络 (Local Distance Network, $73.50 \pm 0.81$ )。

主要贡献

首次联合 PINN 重构： 据作者所知，这项工作代表了首次使用物理信息多头架构，在训练期间通过共享物理约束（GR 增长 ODE）对扩张历史和线性结构增长进行联合建模，而非仅作为事后一致性检查。
用于宇宙学的自动微分： 该方法展示了自动微分在宇宙学重构中计算网络输出的精确导数以求解 ODE 残差的效用，消除了对空间网格或有限差分近似的需求。
耦合有效性： 研究证实，通过增长方程耦合这两个可观测物理量是可行且有益的，能够减少集成分布的离散度并确保动力学一致性。

结果

最优耦合： 确定了 $\lambda = 0.1$ 为数据拟合与物理一致性之间的最佳平衡点。在此值下，物理损失与数据损失收敛至相当的数量级，防止了单一项在梯度计算中占据主导地位。
$H_0$ 锚定： 在没有显式 $H_0$ 先验的情况下，网络恢复了一个偏低的 $H_0$ （ $46\text{--}52$ km s $^{-1}$ Mpc $^{-1}$ ）。当锚定到 SH0ES 或局部距离网络先验时，网络精确地恢复了先验给出的 $H_0$ 值。两种不同的先验产生的 $f\sigma_8(z)$ 重构结果是不可区分的，证明了对所采用的特定 $H_0$ 张力值的鲁棒性。
增长张力： 重构的 $f\sigma_8(z)$ 在所有红移处均系统性地低于 $\Lambda$ CDM+GR 的预测，最大的偏差出现在 $z \sim 0.4\text{--}1.0$ 附近。这与 $\sigma_8$ 张力一致。耦合并未消除这一信号，而是防止了增长项将该张力误认为是噪声。
零检验（Null Tests）：
- **$Om(z) $：** 零检验显示在低红移处明显偏离平坦$ \Lambda$CDM 的预期（呈现非平坦轮廓），包括在 $z \lesssim 0.2$ 处的负向凹陷（归因于宇宙计时器数据稀疏及重构伪影）以及在中等红移处的过剩。
- $Om_{f\sigma_8}(z)$ ： 该诊断确认了相对于 $\Lambda$ CDM 的增长受抑制现象，这与先前文献 [9] 中发现的独立 ANN 重构结果一致。
系统误差： 作者指出，标称值 $\Omega_{m,0}=0.3$ 和 $\sigma_{8,0}=0.8$ 是硬编码的。这些选择带来的系统不确定性在统计集成分布中占主导地位。此外，18 个 BAO 数据点继承了 Planck 2018 的声速标尺，这在扩张部分引入了模型依赖性。

意义与声明
本文声称建立了概念验证，证明在训练期间通过 GR 增长方程耦合 $H(z)$ 和 $f\sigma_8(z)$ 是既可行又有益的。其主要意义在于证明了：

重构对于在两个竞争性的局部 $H_0$ 测定值之间进行选择具有鲁棒性。
物理耦合充当了一种受物理启发的正则化项，在不施加特定暗能量模型的情况下，产生了更平滑的重构并减少了集成不确定性。
该方法成功恢复了 $\sigma_8$ 张力信号（增长受抑制），即使在受到局部 $H_0$ 值约束时也是如此，这表明该张力是数据的鲁棒特征，而非重构方法的伪影。

作者在声明中保持了谦逊的态度：他们并不声称发现了具有统计显著性的新物理，因为集成分布的离散度是由初始化敏感性而非数据重采样驱动的，且未进行完整的后验不确定性传播。他们指出，固定标称参数 ( $\Omega_{m,0}, \sigma_{8,0}$ ) 以及缺乏针对单个巡天的 Alcock-Paczynski 校正，是未来工作中需要解决的局限性。