存在原初张量扰动时基于神经网络透镜重构的 CMB 去透镜化

下一代 CMB 实验有望以高精度约束张量-标量比 $r$。去透镜化是一个重要过程，因为包含原初张量扰动信号的观测 CMB $B$ 模偏振主要由引力透镜产生的更大贡献所主导。为了成功实现这一点，探索传统二次估计量（QE）（对下一代实验将变为次优）和最大后验估计量（目前仍在开发中）之外的透镜重构方法是有用的。在 Caldeira 等人 2020 年的工作中，作者表明使用 ResUNet 架构的神经网络（NN）方法在透镜重构性能上优于 QE，且略次于迭代估计量。在本工作中，我们更进一步，使用标准去透镜化流程评估这些估计量在含原初张量扰动图上的去透镜化性能，并表明 NN 估计量的去透镜化性能是最优的，在与收敛迭代估计量一致，当在 $r=0.01$ 和 $r=0.001$、$12.7^{\circ} \times 12.7^{\circ}$ 图、CMB 第四阶段类似偏振噪声水平 $1\,\mu \rm{K\,arcmin}$ 和 1' 束宽的一组模拟上测试时。我们发现，就去透镜化而言，有必要在一组去除了 $l<l_{\rm{cut}}$ 的 CMB 图上训练和评估 NN，以避免在最终去透镜化 $B$ 模功率谱 $l<l_{\rm{cut}}$ 的相关尺度上出现伪相关，这与之前对 QE 和迭代估计量已知的情况类似。我们还提出了各种 NN 训练技术，可推广到前景和更复杂仪器效应的同时处理，其中建模具有更大不确定性。