学习专注：利用机器学习偏差进行多示踪器预测的本地原初非高斯性
摘要：局部原初非高斯性（LPNG）由许多非最小模型的膨胀理论预测，并对大尺度结构（LSS）示踪器的功率谱产生尺度相关的贡献，其振幅由$b_φ$表示。因此，了解观测示踪器群体的$b_φ$对于从LSS中学习有关膨胀理论至关重要。最近研究表明，模拟暗物质晕的线性偏倚$b_1$与$b_φ$之间的关系具有显著的二次依赖于晕浓度。我们利用这一事实预测了多示踪器对$f_NL^{loc}$的约束。我们使用可观测到的属性来训练机器学习模型，以预测类似DESI发射线星系（ELGs）和红色明亮星系（LRGs）的样本的$b_φ$。我们发现，分别对应于ELGs和LRGs的预测误差为$\sigma(f_NL^{loc})=2.3$和$\sigma(f_NL^{loc})=3.7$。相对于单个示踪器情况，这些预测误差改进了大约3倍和35％。当考虑到ELGs和LRGs在它们的重叠区域时，我们预测使用我们学到的模型可以达到的$\sigma(f_NL^{loc})=1.5$比单独示踪器情况改进了超过3倍。而根据$b_φ$分离时，可以达到$\sigma(f_NL^{loc})<1$。我们还对目标为LPNG的即将进行的光谱观测调查（MegaMapper，SPHEREx）进行了多示踪器的预测，并显示通过按$b_φ$分离示踪器样本可以使这些调查中的预测$\sigma(f_NL^{loc})$减小一个数量级。
作者：James M Sullivan, Tijan Prijon, Uros Seljak
论文ID：2303.08901
分类：Cosmology and Nongalactic Astrophysics
分类简称：astro-ph.CO
提交时间：2023-08-16