AI驱动的大尺度结构重建：整合光度和光谱调查

星系调查对于研究大尺度结构（LSS）和宇宙学至关重要，但面临局限——光度调查提供广阔的天空覆盖范围，但受photo-$z$不确定性的制约；光谱调查则提供精确的红移，但样本受限。为同时利用photo-$z$和spec-$z$数据并消除photo-$z$误差，我们提出一种基于双U-Net架构的深度学习框架，将这两类数据在场水平上集成，以重建3D photo-$z$密度场。我们在代表阶段IV光谱调查的mock样本上进行训练，利用包含2048^3粒子于$(1200~h^{-1}\rm Mpc)^3$体积的$z=0.59$快照的CosmicGrowth模拟。多项指标，包括相关系数、MAE、MSE、PSNR和SSIM，验证了模型的准确性。此外，重建的功率谱在小尺度（$k \gtrsim 0.06~h/\rm Mpc$）的1$\sigma$置信区间内与真实值高度吻合，同时UNet模型显著改善了photo-$z$功率谱多极矩的估计。该研究表明，深度学习有潜力通过综合光谱和光度数据来增强LSS重建。