홀리즘오크스

허블 상수( H 0 )는 우주론의 기본 매개변수 중 하나이지만, 지역 세페이드 거리 사다리와 초기 우주 측정 사이의 > 4 σ 긴장에 대해 치열한 논쟁이 벌어지고 있습니다. 강력하게 렌즈된 타입 Ia 초신성(LSNe Ia)은 H 0 를 측정하는 독립적이고 직접적인 방법으로, 여러 초신성(SN) 이미지 간의 시간 지연 측정이 필요합니다. 이 작업에서는 LSNe Ia의 시간 지연을 측정하기 위한 두 가지 기계 학습 접근법, 즉 완전 연결 신경망(FCNN)과 랜덤 포레스트(RF)를 제시합니다. FCNN과 RF의 훈련을 위해 관측 잡음과 마이크로렌즈 효과를 포함하는 이론적 SN Ia 모델에서 모의 LSNe Ia를 시뮬레이션합니다. 훈련 과정에서 사용되지 않은 경험적 LSN Ia 광곡선에 기반한 최종 테스트 세트를 사용하여 기계 학습 모델의 일반화를 테스트하며, RF만이 정밀한 우주론을 달성하기에 충분히 낮은 편향을 제공한다는 것을 발견했습니다. 따라서 RF가 실제 시스템에 적용하기 위해 우리 FCNN 접근법보다 선호됩니다. 단일 대역 i 밴드에서 RF의 경우, 24.7의 5 σ 포인트 소스 깊이를 가정하고, 몇 개의 무작위 간격이 있는 2일 간격으로 후속 관측을 수행하며, 관찰자 프레임에서 최대치보다 8~10일 전에 LSNe Ia를 탐지할 때, 15일 이상 시간 지연에 대해 모든 조사된 경우에서 1% 미만의 정확도를 얻습니다. 정밀도 측면에서는 동일한 가정 하에 i 밴드에서 전형적인 광원 적색shift ∼0.8에 대해 약 1.5일의 불확실성을 달성할 수 있습니다. 측정을 개선하기 위해 세 개의 대역을 사용하는 것이 도움이 되며, 각 대역에 대해 RF를 개별적으로 훈련한 후 이들을 결합하면 불확실성을 ∼1.0일로 줄이는 데 도움이 됩니다. 불확실성의 주된 원인은 관측 잡음이며, 따라서 후속 관측이 시작될 때 깊이가 특히 중요한 요소입니다. 이 작업에서 사용된 마이크로렌즈 스펙트라와 광곡선은 공개로 릴리스되었습니다.