Data-Driven Discovery of a Simple Phantom-Crossing Dark Energy Parametrization

技术摘要：数据驱动发现的一种简单幻影穿越（Phantom-Crossing）暗能量参数化模型

问题陈述
宇宙加速膨胀的物理起源仍是一个悬而未决的问题。虽然标准 $\Lambda$CDM 模型符合大多数观测结果，但来自重子声学振荡（BAO）、Ia 型超新星（SN）以及宇宙微波背景（CMB）的最新数据表明，存在对演化暗能量（DE）状态方程 $w(z)$ 的轻微偏好，该状态方程可能在低红移处穿越“幻影分界线”（$w < -1$）。然而，标准的唯象参数化方法（如 CPL）面临显著局限性：它们往往缺乏一致的宇宙学扰动理论框架（特别是在 $w=-1$ 附近），由于过度灵活性而面临过拟合风险，并可能预测病态的宇宙历史（例如大撕裂奇点或过度的早期暗能量）。作者寻求一种数据驱动的方法，旨在不预先施加任意函数形式的情况下，识别简单、具有预测性且在理论上一致的动力学暗能量模型。

研究方法
作者在 VCDM（变分宇宙学暗物质）框架内采用了一个两阶段的数据驱动重建程序。VCDM 是一种极小化修正的引力理论，它允许在不引入病态标量自由度的情况下实现幻影穿越历史。

1. 贝叶斯样条重建（Bayesian Spline Reconstruction）：

   • 目标： 非参数化地重建 $w(a)$ 的函数形式。
   • 实现： 利用修改后的 VCDM 版本 Boltzmann 求解器 CLASS，作者使用具有 $n$ 个节点（其中 $n=2, 3, 4$）的线性样条进行贝叶斯分析。
   • 数据： CMB（Planck 2018）、BAO（DESI DR2）以及 SN（Pantheon+, Union3, DES-Dovekie）。
   • 模型选择： 计算贝叶斯证据（$Z$）以惩罚不必要的复杂度（奥卡姆剃刀原则）。重建过程在具有不同节点数的样条模型上进行边际化处理。

2. 穷举符号回归（Exhaustive Symbolic Regression, ESR）：

   • 目标： 将样条重建的定性结果转化为紧凑的解析表达式。
   • 工具： 使用 SPIDER（用于暗能量重建的符号回归流水线）管线。
   • 过程：
     • 定性先验： 样条分析为搜索空间提供信息，倾向于平滑、单调且低复杂度的演化。
     • 生成： 通过 ESR，管线系统地枚举所有构建自特定算符基 $\{+, -, \times, /, \sqrt{}, \text{pow}, \text{exp}\}$ 且处于固定复杂度等级（$cl=4$）内的解析表达式。
     • 评估： 候选函数并非直接拟合重建的 $w(a)$ 值。相反，它们被实现在 VCDM+CLASS 管线中，以演化背景和线性扰动。
     • 排序： 候选函数根据其对完整宇宙学数据集的 $\chi^2$ 拟合程度进行排名，并与标准参数化模型（CPL, BA, JBP 等）以及 $\Lambda$CDM 进行贝叶斯证据对比。

核心贡献与结果

• 样条重建发现：

  • 当前数据支持 $w(a)$ 的平滑、单调轨迹，这些轨迹在今日保持接近 $-1$，并在低红移处进入幻影区域。
  • 复杂度惩罚： 增加样条节点数（增加函数自由度）受到贝叶斯证据的抑制。数据并不支持高度结构化或振荡的暗能量历史；两个或三个节点的样条模型表现出与标准模型相当的竞争力，而四个节点的模型则始终受到抑制。

• 符号回归发现：

  • ESR 搜索识别出一个表现最优的候选模型：一个极其简单的单参数参数化模型：
    $$w(a) = \frac{w_0}{\sqrt{a}} = \frac{w_0}{\sqrt{1+z}}$$
  • 该“SR”模型（标记为 F42）实现的 $\chi^2$ 与标准两参数模型（如 CPL）相当，且显著优于 $\Lambda$CDM。
  • 贝叶斯模型比较： 该模型相对于标准两参数动力学模型表现出轻微至中度的证据优势（$\Delta \log Z \approx 1\text{--}3$），并且相对于 $\Lambda$CDM 表现出更强的证据优势（$\Delta \log Z \approx 4.6$）。

• SR 模型的物理特性：

  • 幻影穿越： 对于 $w_0 < 0$，该模型自然地在由 $w_0$ 决定的红移处穿越幻影分界线（$z_{ph} = w_0^{-2} - 1$）。
  • 早期宇宙抑制： 尽管当 $a \to 0$ 时 $w(a) \to -\infty$，但暗能量密度在早期被指数级抑制，从而避免了过大的早期暗能量占比。
  • 未来渐近行为： 该模型预测了一个瞬态幻影阶段。随着 $a \to \infty$，$w(a) \to 0^-$，有效的暗能量表现得像尘埃（dust）。这避免了像恒定幻影模型那样导致未来的大撕裂奇点。
  • 可预测性： 作为一个单参数模型，它具有高度的可预测性。它在任何 $w_0$ 取值下都不会退化为 $\Lambda$CDM；相反，它代表了一种真实的动力学变形。

• 理论重建：

  • 作者重建了对应于 SR 方程状态的底层 VCDM 势能 $V(\phi)$。研究发现，该势能在物质主导时期近似为线性（恢复了 GR），并在暗能量主导及未来时期表现出特定的渐近行为。

意义与主张
本文声称展示了一个成功的数据驱动模型发现框架。通过结合非参数贝叶斯重建与可解释机器学习（符号回归），作者表明当前的观测结果倾向于异常简单的暗能量动力学。

• 方法论创新： 本工作阐明了如何超越测试预定义的理论假设。相反，它直接从数据中推导出紧凑的解析结构，并利用样条重建来引导符号搜索的复杂度。
• 理论一致性： 所识别的模型并非仅仅是现象学的拟合；它被嵌入在 VCDM 之中，确保了在穿越幻影分界线时，无论是背景演化还是线性扰动都能得到一致的定义。
• 审慎性： 作者指出，动力学暗能量的统计偏好仍然处于中等水平。对于这种特定简单轨迹的偏好取决于所选的算符基、复杂度阈值以及数据集。未来的高精度观测将有助于确认这种偏好是否持续存在。本工作被呈现为一种原则性的模型发现框架的原理验证（proof-of-concept），而非关于特定 $w(a) = w_0/\sqrt{a}$ 定律的决定性证明。