Cosmology in the near future promises a measurement of the sum of neutrino masses, a fundamental Standard Model parameter, as well as substantially-improved constraints on the dark energy. We use the shape of the BOSS redshift-space galaxy power spectrum, in combination with CMB and supernova data, to constrain the neutrino masses and the dark energy. Essential to this calculation are several recent advances in non-linear cosmological perturbation theory, including FFT methods, redshift space distortions, and scale-dependent growth. Our 95% confidence upper bound of 200 meV on the sum of masses degrades substantially to 770 meV when the dark energy equation of state and its first derivative are also allowed to vary, representing a significant challenge to current constraints. We also study the impact of additional galaxy bias parameters, finding that a velocity bias or a more complicated scale-dependent density bias shift the preferred neutrino mass values 20%-30% lower while minimally impacting the other cosmological parameters.


翻译:近期的宇宙学承诺测量中微子质量的总和, 一个基本的标准模型参数, 以及对暗能量的大幅改进。 我们使用 BOSS 红转移空间星系动力谱的形状, 结合 CMB 和超新星数据, 限制中微子质量和暗能量。 此计算的关键是非线性宇宙扰动理论的最新进展, 包括FFFT 方法、 红转移空间扭曲, 以及以比例为基础的增长。 当允许国家及其第一个衍生物的暗能量方程式变换时, 我们的95 % 信任度在质量总和上为200MV, 大幅降低到 770MV, 是对当前限制的重大挑战。 我们还研究了其他星系偏差参数的影响, 发现速度偏差或更复杂的基于规模的密度偏差使首选的中微子质量值降低 20%- 30, 而对其他宇宙参数的影响最小 。

0
下载
关闭预览

相关内容

MASS:IEEE International Conference on Mobile Ad-hoc and Sensor Systems。 Explanation:移动Ad hoc和传感器系统IEEE国际会议。 Publisher:IEEE。 SIT: http://dblp.uni-trier.de/db/conf/mass/index.html
【Google】平滑对抗训练,Smooth Adversarial Training
专知会员服务
48+阅读 · 2020年7月4日
【推荐系统/计算广告/机器学习/CTR预估资料汇总】
专知会员服务
87+阅读 · 2019年10月21日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
无人机视觉挑战赛 | ICCV 2019 Workshop—VisDrone2019
PaperWeekly
7+阅读 · 2019年5月5日
人工智能 | SCI期刊专刊信息3条
Call4Papers
5+阅读 · 2019年1月10日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
条件GAN重大改进!cGANs with Projection Discriminator
CreateAMind
8+阅读 · 2018年2月7日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
gan生成图像at 1024² 的 代码 论文
CreateAMind
4+阅读 · 2017年10月31日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Deep Learning for Energy Markets
Arxiv
10+阅读 · 2019年4月10日
Arxiv
4+阅读 · 2019年1月14日
Arxiv
5+阅读 · 2018年1月30日
Arxiv
4+阅读 · 2018年1月15日
VIP会员
相关资讯
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
无人机视觉挑战赛 | ICCV 2019 Workshop—VisDrone2019
PaperWeekly
7+阅读 · 2019年5月5日
人工智能 | SCI期刊专刊信息3条
Call4Papers
5+阅读 · 2019年1月10日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
条件GAN重大改进!cGANs with Projection Discriminator
CreateAMind
8+阅读 · 2018年2月7日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
gan生成图像at 1024² 的 代码 论文
CreateAMind
4+阅读 · 2017年10月31日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Top
微信扫码咨询专知VIP会员