基于神经网络的估计器用于搜索 Planck CMB 地图中的原初非高斯性

我们提出了一种升级的组合估计器，基于 Minkowski 泛函和神经网络，在检测模拟地图中的原初非高斯性方面表现出色；这些模拟地图除了包含来自 Planck 宇宙微波背景辐射数据的真实像素噪声外，还包含银河系污染的加权混合。我们严格测试了该估计器的效率，考虑了前景清理后的 Planck 地图中残留非高斯性的几种合理情景，旨在优化神经网络的训练过程，以区分具有原初和次级非高斯特征的污染。我们在前景清理后的 Planck 地图的大角尺度上寻找原初局域非高斯性的约束。对于 $\mathtt{SMICA}$ 地图，我们在 $1\sigma$ 置信水平下发现 ${f}_{\rm \,NL} = 33 \pm 23$，与 WMAP-9yr 和 Planck 的结果非常一致。此外，对于其他三张 Planck 地图，我们获得了类似的约束，其值在 ${f}_{\rm \,NL} \in [33, 41]$ 区间内，这与这些地图在已报道的分析中表现出不同特征（如具有不同的像素噪声强度）的事实相一致。