利用卷积神经网络重构重子声学振荡

我们提出一种基于深度卷积神经网络（CNN）重构重子声学振荡（BAO）信号的新方案，该信号包含关键的宇宙学信息。网络在几乎无需微调的情况下训练，能够在测试集中准确恢复大尺度模式：在 $k\leq 0.2 h\mathrm{Mpc}^{-1}$ 处真实与重构的初始条件之间的相关系数达到 $90\%$，这可显著改善 BAO 信噪比直至 $k\simeq0.4h\mathrm{Mpc}^{-1}$。由于该新方案基于子盒中的构型空间密度场，它是局域的，并且如我们的测试所证实，比标准重构方法更少受巡天边界影响。我们发现，在一个宇宙学模型中训练的网络能够重构其他模型中的 BAO 峰，即恢复因非线性而丢失的信息且与宇宙学无关。重构的 BAO 峰位置的精度误差远小于训练与测试宇宙学模型差异所引起的误差，表明在我们的方案中可高效区分不同模型。非常有望的是，我们的方案为从正在进行和未来的大型星系巡天中提取宇宙学信息提供了一条不同的新途径。