ترجمه فارسی مقاله تمایز بین مدل‌های کیهان‌شناسی با روش‌های مبتنی بر داده

چکیده

We explores the Pantheon+SH0ES dataset to identify patterns that can discriminate between different cosmological models. We focus on determining whether the behaviour of dark energy is consistent with the standard $Λ$CDM model or suggests novel cosmological features. The central goal is to evaluate the robustness of the $Λ$CDM model compared with other dark energy models, and to investigate whether there are deviations that might indicate new cosmological insights. The study takes into account a data-driven approach, using both traditional statistical methods and machine learning techniques. Initially, we evaluate six different dark energy models using traditional statistical methods like Markov Chain Monte Carlo (MCMC), Static and Dynamic Nested Sampling to infer the cosmological parameters. Subsequently, we adopt a machine learning approach, developing a regression model to compute the distance modulus of each supernova, expanding the feature set to 74 statistical features. Traditional statistical analysis confirms that the $Λ$CDM model is robust, yielding expected parameter values. Other models show deviations, with the Generalised and Modified Chaplygin Gas models performing poorly. In the machine learning analysis, feature selection techniques, particularly Boruta, significantly improve model performance. In particular, models initially considered weak (Generalised/Modified Chaplygin Gas) show significant improvement after feature selection. The study demonstrates the effectiveness of a data-driven approach to cosmological model evaluation. The $Λ$CDM model remains robust, while machine learning techniques, in particular feature selection, reveal potential improvements in alternative models which could be relevant for new observational campaigns like the recent DESI survey.

چکیده به فارسی (ترجمه ماشینی)

ما به بررسی مجموعه داده های Pantheon+SH0ES می پردازیم تا الگویی را که می تواند بین مدلهای مختلف کیهان شناسی تمایز قائل شود ، شناسایی کنیم.ما بر تعیین اینکه آیا رفتار انرژی تاریک با مدل استاندارد $ λ $ CDM سازگار است یا اینکه ویژگی های کیهان شناختی جدید را پیشنهاد می کنیم ، تمرکز می کنیم.هدف اصلی ارزیابی استحکام مدل $ λ $ CDM در مقایسه با سایر مدل های انرژی تاریک و بررسی اینکه آیا انحرافات وجود دارد که ممکن است بینش کیهان شناسی جدید وجود داشته باشد یا خیر.این مطالعه با استفاده از هر دو روش آماری سنتی و تکنیک های یادگیری ماشین ، یک رویکرد محور داده را در نظر می گیرد.در ابتدا ، ما شش مدل مختلف انرژی تاریک را با استفاده از روشهای آماری سنتی مانند زنجیره مارکوف مونت کارلو (MCMC) ، نمونه گیری استاتیک و پویا برای استنباط پارامترهای کیهانی ارزیابی می کنیم.پس از آن ، ما یک رویکرد یادگیری ماشین را اتخاذ می کنیم و یک مدل رگرسیون را برای محاسبه مدول از راه دور هر ابرنواختر تهیه می کنیم و ویژگی های تعیین شده را به 74 ویژگی آماری گسترش می دهیم.تجزیه و تحلیل آماری سنتی تأیید می کند که مدل $ λ $ CDM قوی است و مقادیر پارامتر مورد انتظار را به همراه دارد.مدلهای دیگر انحرافات را نشان می دهند ، با مدل های گاز عمومی و اصلاح شده Chaplygin عملکرد ضعیفی دارند.در تجزیه و تحلیل یادگیری ماشین ، تکنیک های انتخاب ویژگی ، به ویژه Boruta ، عملکرد مدل را به طور قابل توجهی بهبود می بخشد.به طور خاص ، مدلها در ابتدا ضعیف در نظر گرفته می شوند (گاز کلیژین تعمیم یافته/اصلاح شده) پس از انتخاب ویژگی ، پیشرفت قابل توجهی را نشان می دهند.این مطالعه اثربخشی یک رویکرد داده محور به ارزیابی مدل کیهان شناختی را نشان می دهد.مدل $ λ $ CDM همچنان قوی است ، در حالی که تکنیک های یادگیری ماشین ، به ویژه در انتخاب ویژگی ، پیشرفت های احتمالی در مدل های جایگزین را نشان می دهد که می تواند برای کمپین های مشاهده ای جدید مانند بررسی اخیر DESI مرتبط باشد.