利用人工智能与频差技术的21厘米前景去除

深度学习技术已被用于从21厘米强度映射中去除前景污染，但其效果受限于前景振幅的大动态范围。在本研究中，我们开发了一种基于U-Net网络的新型前景去除技术。该技术的核心在于引入一种创新的数据预处理步骤，具体而言，利用相邻频带间的温度差作为输入，这可将前景振幅的动态范围降低约两个数量级。这一降低被证明对U-Net前景去除极为有利。我们观察到，在无仪器效应的情况下，由交叉相关功率谱在$k < 0.3 h^{-1}$Mpc尺度上呈现一致吻合可知，HI信号可被可靠恢复。此外，考虑系统束效应后，我们的重构在$k \lesssim 0.1 h^{-1}$Mpc尺度上于$1\sigma$水平展现出一致的自相关与交叉相关功率谱比值，且在$k\simeq0.2 h^{-1}$Mpc处交叉相关功率谱仅降低10%。红移空间畸变效应也被成功重构，这由四极功率谱的吻合所证实。相比之下，我们的方法优于传统的主成分分析方法，后者所得交叉相关比值被低估约60%。我们在图中模拟了多种白噪声水平，发现当热噪声水平小于或等于HI信号水平时，平均交叉相关比值$\bar{R}_\mathrm{cross} \gtrsim 0.8$。我们得出结论：所提出的频差技术可通过减小前景振幅范围并有助于防止HI丢失，显著提升网络性能。