基于渐进生长 GAN 的 21cm 层析样本生成与参数推断统一框架
宇宙学与河外天体物理
2020-03-04 v1 天体物理仪器与方法
机器学习
摘要
为再电离时期（EoR）的 21cm 亮温度信号在一系列再电离历史下创建数据库是一项复杂且计算昂贵的任务，鉴于所涉及的天体物理过程范围以及待探测的可能高维参数空间。我们利用一类特定的神经网络——渐进生长生成对抗网络（PGGAN），生成 EoR 期间 21cm 亮温度的逼真层析图像，覆盖建模可变 X 射线发射率、Lyman 能带发射率以及硬软 X 射线之比的连续三维参数空间。该 GPU 训练的网络以约 分辨率在一秒内（笔记本 CPU 上）生成新样本，所得全局 21cm 信号、功率谱与像素分布函数均与训练数据（取自 21SSD 星表 \citep{Semelin2017}）吻合良好。最后，我们展示了如何借助训练好的 PGGAN，通过近似贝叶斯计算完成从 21cm 层析样本推断参数的反向任务。
引用
@article{arxiv.2002.07940,
title = {A unified framework for 21cm tomography sample generation and parameter inference with Progressively Growing GANs},
author = {Florian List and Geraint F. Lewis},
journal= {arXiv preprint arXiv:2002.07940},
year = {2020}
}
备注
15 pages, 8+1 figures, accepted by MNRAS