Model-independently Calibrating the Luminosity Correlations of Gamma-Ray Bursts Using Deep Learning
Model-independently Calibrating the Luminosity Correlations of Gamma-Ray Bursts Using Deep Learning
复制标题
使用深度学习独立于模型校准伽马射线爆发的光度相关性
DOI：
10.3847/1538-4357/abcd92
复制
发表时间：
2020-11
期刊：
影响因子：
--
通讯作者：
Liang Liu
中科院分区：
文献类型：
--
作者：
Li Tang;Xin Li;Hai-Nan Lin;Liang Liu
在高红移处探测到的伽玛射线暴（GRB）可以用来描绘宇宙的哈勃图。然而，伽玛暴的距离定标并不像Ia超新星那样容易。对于基于经验光度关联的定标方法，有一个基本假设，即关联在整个红移范围内是普适的。在本文中，我们使用完全独立于模型的深度学习方法研究了六种光度相关性的可能红移依赖性。我们构造了一个结合递归神经网络（RNN）和贝叶斯神经网络（BNN）的网络，其中RNN用于通过Pantheon编译训练网络来重建距离-红移关系，BNN用于计算重建的不确定性。利用Pantheon重建的距离-红移关系，我们将整个GRB样本分成两个子样本（低z和高z子样本），检验了6个亮度关联的红移依赖性，发现只有Ep − Eγ关系没有红移依赖性的证据。我们使用Ep − Eγ关系来校准伽玛暴，校准的伽玛暴对平坦ΛCDM模型给出了严格的约束，最佳拟合参数Ω M = 0.307 − 0.073 + 0.065。
Gamma-ray bursts (GRBs) detected at high redshift can be used to trace the Hubble diagram of the universe. However, the distance calibration of GRBs is not as easy as that of SNe Ia. For the calibration method based on the empirical luminosity correlations, there is an underlying assumption that the correlations should be universal over the whole redshift range. In this paper, we investigate the possible redshift dependence of six luminosity correlations with a completely model-independent deep-learning method. We construct a network combining the recurrent neural networks (RNN) and the Bayesian neural networks (BNN), where RNN is used to reconstruct the distance–redshift relation by training the network with the Pantheon compilation, and BNN is used to calculate the uncertainty of the reconstruction. Using the reconstructed distance–redshift relation of Pantheon, we test the redshift dependence of six luminosity correlations by dividing the full GRB sample into two subsamples (low-z and high-z subsamples), and find that only the Ep − Eγ relation has no evidence for redshift dependence. We use the Ep − Eγ relation to calibrate GRBs, and the calibrated GRBs give tight constraints on the flat ΛCDM model, with the best-fitting parameter Ω M = 0.307 − 0.073 + 0.065 .
登录
查看更多内容
DOI：
10.1109/sc.2018.00068
发表时间：
2018-08
期刊：
SC18: International Conference for High Performance Computing, Networking, Storage and Analysis
影响因子：
--
作者：
Amrita Mathuriya;D. Bard;P. Mendygral;Lawrence Meadows;James A. Arnemann;Lei Shao;Siyu He;Tuomas Kärnä;Diana Moise;S. Pennycook;K. Maschhoff;J. Sewall;Nalini Kumar;S. Ho;Michael F. Ringenburg;P. Prabhat;Victor W. Lee
通讯作者：
Amrita Mathuriya;D. Bard;P. Mendygral;Lawrence Meadows;James A. Arnemann;Lei Shao;Siyu He;Tuomas Kärnä;Diana Moise;S. Pennycook;K. Maschhoff;J. Sewall;Nalini Kumar;S. Ho;Michael F. Ringenburg;P. Prabhat;Victor W. Lee
DOI：
--
发表时间：
2015-12
期刊：
--
影响因子：
--
作者：
Y. Gal;Zoubin Ghahramani
通讯作者：
Y. Gal;Zoubin Ghahramani
DOI：
--
发表时间：
2005-11
期刊：
arXiv: Data Analysis, Statistics and Probability
影响因子：
--
作者：
G. D'Agostini
通讯作者：
G. D'Agostini
DOI：
--
发表时间：
2016-03
期刊：
--
影响因子：
--
作者：
Christos Louizos;M. Welling
通讯作者：
Christos Louizos;M. Welling
DOI：
--
发表时间：
2017-04
期刊：
--
影响因子：
--
作者：
Aurélien Géron
通讯作者：
Aurélien Géron