The recent analysis of the Planck results reveals a tension between the best fits for (Ωm0, H0) derived from the cosmic microwave background or baryonic acoustic oscillations on the one hand, and the Hubble diagram on the other hand. These observations probe the universe on very different scales since they involve light beams of very different angular sizes; hence the tension between them may indicate that they should not be interpreted the same way. More precisely, this Letter questions the accuracy of using only the (perturbed) Friedmann-Lemaître geometry to interpret all the cosmological observations, regardless of their angular or spatial resolution. We show that using an inhomogeneous "Swiss-cheese" model to interpret the Hubble diagram allows to reconcile it with the Planck results. Such an approach does not require us to invoke new physics nor to violate the Copernican principle.
A new cosmological probe using super-massive black hole shadows
研究了利用低红移和高红移黑洞阴影作为新的宇宙学标准标尺测量宇宙学参数的前景。利用M87 $^\star$的黑洞阴影的低红移观测，可以独立地确定哈勃常数，其精度约为$13\%$ km s $^{-1}$ Mpc $^{-1}$ .超大质量黑洞阴影的高红移观测可以精确地确定参数$H_0$和${Ω_{\rm m}}$的组合，我们通过一个简单的模拟表明，将它们与Ia型超新星观测相结合将给出宇宙学参数的精确测量。
Likelihood-free Cosmological Constraints with Artificial Neural Networks: An Application on Hubble Parameters and SNe Ia
复杂过程产生的宇宙学数据，如哈勃参数观测数据（OHD）和Ia型超新星观测数据（SNIa），其误差不能用简单的解析概率分布（如高斯分布）精确地模拟。为了从这些数据中约束宇宙学参数，通常使用无似然推理来绕过直接计算似然。在本文中，我们提出了一个新的程序来执行似然自由宇宙学推断使用两个人工神经网络（ANN），掩蔽自回归流（MAF）和去噪自动编码器（DAE）。我们的程序是第一个使用DAE从数据中提取特征，以简化MAF的结构需要估计后验。测试模拟哈勃参数数据与一个简单的高斯似然，该程序显示的能力，从数据中提取的功能和估计后验分布，而不需要易于处理的似然。实验结果表明，该方法能准确逼近真实后验，性能与传统MCMC方法相当，且加入DAE后，MAF在少量仿真时能获得更好的训练效果。我们还讨论了OHD和Pantheon SN Ia数据的应用程序，并使用它们来约束非平坦$Λ$ CDM模型的宇宙学参数。对于Ia型超新星，我们使用拟合的光变曲线参数来寻找$H_0,Ω_m,Ω_Λ$上的约束，类似于相关的工作，使用较少的经验分布。此外，本文还首次将高斯过程引入到OHD模拟过程中。
