双场之谜：基于光子网络的非高斯性搜索

最近的工作表明，神经网络可与尺度相关偏置分析方法结合，用于测量局部原始非高斯性，这在squeeze limit下（该极限支配信噪比）具有最优性。该方法对非线性物理鲁棒，但也继承了神经网络应用于非常非线性尺度所提供的统计精度。在先前的工作中，我们假设神经网络可获得完整的物质分布。在本文中，我们将该方法应用于星团。我们首先描述了一种 novel 双场形式，即使未观测物质分布也能达到最优。我们表明，任何 N 个星团场都可压缩为两个场而不会丢失信息，并获得学习这些场的最优损失函数。我们随后将该方法应用于高分辨率的 AbacusSummit 和 AbacusPNG 模拟。本文中，两个神经网络观察局部人口统计，特别是星团质量和浓度分布在天空的一个区域。虽然传统的质量分箱星团分析在 AbacusPNG 上在没有进一步星团属性的情况下已是最优，但我们的 novel 形式轻松地允许包括额外的星团属性，如星团浓度，这可以将 f_{NL} 约束提高几个数量级。我们也探讨了机器学习相对于传统重建是否可以降低 shot noise，发现对于我们的仿真参数没有改进。