ترجمه فارسی مقاله آیا می‌توانیم از خلقت ماده برای حل مشکل تنش $H_{0}$ درس بگیریم؟

چکیده

The $H_{0}$ tension problem is studied in the light of a matter creation mechanism (an effective approach to replacing dark energy), the way to define the matter creation rate being of pure phenomenological nature. Bayesian (probabilistic) Machine Learning is used to learn the constraints on the free parameters of the models, with the learning being based on the generated expansion rate, $H(z)$. Taking advantage of the method, the constraints for three redshift ranges are learned. Namely, for the two redshift ranges: $zin [0,2]$~(cosmic chronometers) and $zin [0,2.5]$~(cosmic chronometers + BAO), covering already available $H(z)$ data, to validate the learned results; and for a third redshift interval, $zin[0,5]$, for forecasting purposes. It is learned that the $3αH_{0}$ term in the creation rate provides options that have the potential to solve the $H_{0}$ tension problem.

چکیده به فارسی (ترجمه ماشینی)

مشکل تنش $ H_ {0} $ با توجه به مکانیسم ایجاد ماده (یک رویکرد مؤثر برای جایگزینی انرژی تاریک) ، راه تعریف میزان ایجاد ماده از ماهیت پدیدارشناختی خالص مورد بررسی قرار گرفته است.یادگیری ماشین بیزی (احتمالی) برای یادگیری محدودیت در پارامترهای رایگان مدل ها استفاده می شود ، با یادگیری مبتنی بر نرخ انبساط تولید شده ، $ H (Z) $.با استفاده از این روش ، محدودیت های سه محدوده redshift آموخته می شود.یعنی ، برای دو محدوده redshift: $ z در [0،2] $ ~ (Chronometers کیهانی) و $ z in [0،2.5] $ ~ (Chronometers کیهانی + BAO) ، که از قبل در دسترس $ H (Z) است$ داده ها ، برای اعتبارسنجی نتایج آموخته شده ؛و برای یک بازه سوم redshift ، $ z در [0،5] $ ، برای اهداف پیش بینی.آموخته می شود که اصطلاح 3 αH_ {0} $ در نرخ ایجاد گزینه هایی را فراهم می کند که پتانسیل حل مشکل تنش $ H_ {0} را دارند.