摘要
约20年前，通过对Ia型超新星的观测，发现了宇宙加速膨胀。为此人们提出了各种各样的宇宙学模型来解释这一现象，为了限定这些宇宙学模型的参数，随后有不少设计各异的超新星巡天项目实施。 修正后的Ia型超新星亮度几乎一样，因此能作为标准烛光。精确测定这些Ia型超新星的距离，对限定宇宙学模型参数来说至关重要。为此人们也发明了一些方法和超新星模型来精确测量Ia型超新星的距离。其中有的方法需要太多的光谱去覆盖超新星参数空间，由于观测到的光谱不能满足这一要求，导致该方法误差较大。而当前用来拟合宇宙学模型的超新星数据集，其参数由观测数据与SALT2模型拟合得到。该模型需要假设超新星能谱和对应参数的一些关系，由于超新星光谱的多样性和非线性，SALT2模型参数超过了3000个。随着技术的发展，本文尝试使用人工智能技术来解决这一问题。这也是一种独立于之前其它方法的新技术，模型的参数要明显少于当前的SALT2模型（约为其三分之一）。且人工神经网络模型不需要对能谱做任何假设，而是让神经网络在训练过程中自动寻找超新星参数和能谱之间的关系，这也避免了假设的函数关系带来的误差。由于神经网络有较好的容错率，即便有个别数据有误，也不会影响最终结果。使用超新星能谱和光变曲线数据训练好的模型能生成不同Ia型超新星的光谱。可用该模型生成超新星爆发时的光谱，然后模拟当时天文望远镜来进行观测，得到的光变曲线与观测结果符合的非常好。使用人工神经网络模型可以精确测量Ia型超新星的距离，研究不同超新星光谱差异。由于人工神经网络可以求导，可用来进一步探索超新星能谱对其参数的导数关系，以及研究超新星光谱。这也是其它模型不具有的优点。本文第一章简要介绍了研究现状和研究意义。第二章首先简述了超新星爆发机制和超新星的观测，接着介绍了所使用的光谱数据和光变曲线数据以及对这些数据的预处理。神经网络模型以及训练它所使用的算法在第三章详细介绍，对机器学习在宇宙学领域的应用也将在这一章介绍。由于当前流行的人工神经网络框架并不适合解决我们的问题，为此编写了神经网络和相应算法的程序，并在第四章介绍训练模型的细节。为了研究Ia型超新星平均光谱、光谱与参数的关系以及确定其参数，对于这些不同的目的，相应地训练了不同的神经网络，并比较这些神经网络的结果。在第五章，本文利用神经网络生成各种参数超新星的光谱，比较不同光谱之间的异同，并研究其抛射物速度与时间的函数关系。最后，使用神经网络模型得到的超新星参数结合与宇宙微波背景辐射和重子声学震荡的数据来限制宇宙学模型的参数。
NETL