Physics-guided discovery of dynamical dark-energy equations of state through iterative AI reasoning

技术摘要：物理引导的动力学暗能量状态方程发现

问题陈述
宇宙加速膨胀的发现暗示了暗能量的存在，然而标准的 $\Lambda$CDM 模型在关于该组分的物理本质方面仍留下了根本性的理论疑问。虽然动力学暗能量模型（其状态方程 $w$ 随红移演化）已被广泛探索，但目前的推断过度依赖于人工设计的低维参数化形式（例如 CPL、JBP）。这些传统方法受限于其固定的函数形式和渐近行为，这可能会使寻找新物理的过程产生偏差，或掩盖真实的底层现象学特征。相反，非参数化重构缺乏进行物理阐释和理论比较所需的紧凑解析形式。本文旨在解决一个需求：即建立一个能够探索更广泛的符号状态方程（EoS）候选空间，同时保持可解释性、物理动机和统计严谨性的框架。

方法论
作者提出了一种迭代的、由 AI 引导的推理框架，将暗能量 EoS 的发现视为一个涉及生成、评估和精炼的闭环过程。该工作流由四个主要部分组成：

1. 假设生成： 大语言模型（LLM），具体为 Qwen3-30B-A3B，充当生成器。它提出作为可执行 Python 函数的 $w(z)$ 符号参数化方案。至关重要的是，每个提议都附带了一个自然语言形式的宇宙学原理说明。
2. 检索增强生成 (RAG)： 为了使生成过程植根于现有物理学，系统从约 7,000 篇关于暗能量的 arXiv 论文库中检索相关段落。这确保了提议在具备文献上下文感知能力的同时，也允许产生新颖的组合。
3. 宇宙学评估： 每个候选模型都被嵌入到一个背景宇宙学模型中。参数针对观测数据（Ia 型超新星、重子声学振荡和 CMB）进行优化。
   • 迭代搜索阶段： 使用简化数据集（Pantheon+、2D BAO 以及压缩后的 CMB 位移参数 $R$ 和 $\ell_A$）进行快速筛选。
   • 验证阶段： 使用全似然函数（Planck 2018、DESI-DR2、Union3、DESY5）进行最终的模型比较。
4. 独立批判者： 一个独立的 LLM（GPT-5.1 mini）根据物理合理性、新颖性、推理清晰度、数值稳定性以及实现有效性对候选模型进行评估。批判者会提供评分及具体的修改建议。
5. 经验缓冲池： 成功的假设（具有高统计拟合度和高批判者评分）被存储在经验缓冲池中。后续的生成过程会以该缓冲池为条件，从而使系统能够随着时间的推移，在数学结构和物理推理两方面实现进化。

该系统首先通过一个包含非标准 EoS（$w_{exotic}(z) = \alpha / (1+z)^\beta$）的奇异模拟宇宙进行的“盲测”得到了验证，以确保流水线能够恢复非标准动力学，而不受限于熟悉的模板（如 CPL）。

核心贡献

• AI 引导现象学的框架： 本文引入了一个可重复的循环，将符号方程发现与物理推理相结合，超越了简单的曲线拟合，实现了“物理引导的推理”。
• 两种新型参数化形式： 该框架识别出两种具有竞争力的、紧凑的双参数 EoS 形式：
  • AI 1： 一种具有幻影穿越（phantom-crossing）现象的有界二次参数化：
    $$w(z) = -1 - w_0 \left(\frac{z^2}{1+z^2}\right) + w_a \left(\frac{z^2}{1+z^2}\right)^2 - w_0 w_a$$
    该模型具有平滑的有界过渡特征，并允许从幻影态到非幻影态的轨迹转换。
  • AI 2： 一种阻尼的中红移参数化：
    $$w(z) = w_0 + w_a \frac{z}{1+z} \exp\left[-\left(\frac{z}{1+z}\right)^2 (1+z)^{1/4}\right]$$
    该模型保留了 CPL 的低红移行为，但通过阻尼使高红移极限趋向于 $w_0$，从而将晚期时间的可变性与早期时间渐近行为解耦。
• 非模板恢复的验证： 奇异模拟测试表明，系统能够恢复底层宇宙学（在 CPL 被强烈排斥的情况下），且并未简单地重复已知的模板，证明了搜索空间并不受限于标准的拟设（ansätze）。

结果

• 盲验证： 在奇异模拟测试中，AI 生成的模型（特别是 AI sinm1 和 AI sim2）在置信区间内恢复了注入的背景宇宙学参数（$\Omega_m, H_0$），而标准的 CPL 模型则失败了，尽管约束更紧，却产生了偏置参数。表现最好的 AI 候选模型相对于真实模型的对数贝叶斯因子（$\ln BE_i$）为 1.55，而 CPL 为 6.97（表明 CPL 被强烈排斥）。
• 真实数据分析： 应用于 Pantheon+、DESI-DR2 和 Planck 2018 数据组合的结果如下：
  • 两个 AI 选定的模型（AI 1 和 AI 2）均属于顶尖表现者，与 CPL 模型的差距保持在约一个对数证据单位之内。
  • 对于 DESI-DR2 BAO + Pantheon+ SNIa + Planck 2018 组合，AI 1 获得了比 CPL 更大的贝叶斯证据（领先超过一个单位），倾向于动力学模型。
  • 对于 DESI-DR2 BAO + Union3 SNIa + Planck 2018 组合，AI 1 在所有测试模型中表现出最强的证据。
  • 两个 AI 模型都保持了与 Planck 约束一致的早期宇宙参数（$\omega_b, \omega_{cdm}, \theta_s$），表明其改进源于晚期背景演化而非复合物理的修改。
  • 这些模型预测的 CMB 温度谱与 CPL 近乎简并，差异主要出现在低多极矩处。

意义与主张
本文声称，AI 引导的推理可以作为传统模型构建的补充，通过提出并评估可解释的现象学参数化来实现。作者强调，该框架并非宣称拥有自主的科学理解力，而是使现象学推理的过程变得显式化、可审计且可修正。

主要主张包括：

• 能够搜索“现象学空间”本身，而非仅仅局限于预选的拟设。
• 发现了与既定形式具有竞争力的、紧凑的双参数方程，并且在特定的数据集组合下，统计上优于既定形式。
• 证明了 AI 可以根据数据需求适应非标准的膨胀历史，从而避免了人类设计搜索中固有的“模板偏差”。
• 这些模型应被理解为有效的现象学描述，而非微观物理理论；其意义在于展示了如何将基于文献的提议与基于批判者的推理整合进一个可重复的有效模型搜索过程中。

作者保持了谦逊的态度，指出这些模型的统计优势是具有选择性的（取决于数据集的组合），并且下一步的工作是将扰动稳定性与增长观测值直接纳入搜索目标中。