遗传算法优化的神经网络在宇宙学中
摘要：人工神经网络在宇宙学领域的应用在过去十年中取得了成功，这是因为它们能够对大量数据集和复杂的非线性函数进行建模。然而，在某些情况下，它们的使用仍存在争议，因为当超参数选择不当时，它们容易产生不准确的结果。在本文中，为了找到人工神经网络的最优超参数组合，我们提出利用遗传算法的优势。作为概念验证，我们分析了三个不同的宇宙学案例，以测试利用遗传算法得到的体系结构的性能，并将其与标准过程进行比较，该过程包括了所有可能配置的网格。首先，我们进行了基于模型的独立重建距离模数，使用了Ia型超新星的汇编。其次，神经网络学习推断quintessence模型的状态方程，最后利用来自组合红移目录的数据，神经网络根据六个光度波段（urgizy）预测光度红移。我们发现，遗传算法显著改善了神经网络体系结构的生成，这可以确保对其物理结果的更大信心，因为与网格方法相比，在指标上表现更好。
作者：Isidro G''omez-Vargas, Joshua Briones Andrade, J. Alberto V''azquez
论文ID：2209.02685
分类：Instrumentation and Methods for Astrophysics
分类简称：astro-ph.IM
提交时间：2023-02-10