利用观测宇宙学和人工神经网络估计宇宙学参数的框架 在重力场 $f(R, T)$ 中

基于引力理论与粘滞质量模型，本研究提出精确求解Bianchi I宇宙的粘滞质量方案，采用Bayesian MCMC和人工神经网络方法（ANNs）结合的CoLFI代码进行参数估计，探讨宇宙加速膨胀的动力学机制。通过分析红移过渡相位，验证了粘滞效应在宇宙学模型中的应用潜力，并研究了模型的物理与几何特征。

　　

摘要

在$f?\left(R,T\right)\$f(R,T)\$$引力理论中，提出了一个关于具有体积粘性的Bianchi I宇宙的精确解。该理论的自由参数通过贝叶斯MCMC（Markov Chain Monte Carlo）方法和人工神经网络（ANNs）进行了研究。在宇宙学中，分析可观测证据对于评估宇宙的理论模型至关重要。人工神经网络是强大的、适应性强的计算工具，可用于数据建模，最近已被用于分析宇宙数据。本研究介绍了人工神经网络，并讨论了它们在宇宙学中的应用。文章提供了关于神经网络的一般概述以及技术细节。通过三个案例展示了它们在宇宙数据建模、数值挑战和恒星对象分类方面的能力。人工神经网络具有某些有趣的特性，使其成为宇宙学数据分析的可行选择。参数的估计使用了一个名为CoLFI的代码，该代码结合了人工神经网络的优势，可以应用于各种科学领域的复杂模型参数估计。当似然函数难以处理或宇宙学模型复杂且资源密集时，CoLFI提供了一种更有效的参数估计方法。该模型通过将宇宙的晚期加速现象归因于修改后的引力动力学和体积粘性效应，而非单独的暗能量成分来对其进行解释。从减速阶段到加速阶段的转变红移分别通过$$和$$贝叶斯方法和人工神经网络方法得到。此外，还研究了该模型的一些物理和几何特性。

利益冲突

作者声明他们没有已知的竞争性财务利益或可能影响本文所报告工作的个人关系。所有作者均无需要披露的利益冲突。