使用神经网络约束原初非高斯性

我们提出了一种利用卷积神经网络（CNN）直接从宇宙微波背景（CMB）图估计原初非高斯性（$f_{\rm NL}$）参数值的新方法。传统方法依赖复杂的统计技术，而本研究提出了一种更简单的方法，采用神经网络来估计 $f_{\rm NL}$。该神经网络模型在已知 $f_{\rm NL}$ 范围为 $[-50,50]$ 的模拟 CMB 图上进行训练，并使用各种指标评估其性能。结果表明，所提出的方法能够准确地从 CMB 图中估计 $f_{\rm NL}$ 值，且与传统方法相比显著降低了复杂性。使用 $500$ 个验证数据，$f^{\rm output}_{\rm NL}$ 相对于 $f^{\rm input}_{\rm NL}$ 的图表可拟合为 $y=ax+b$，其中 $a=0.980^{+0.098}_{-0.102}$ 且 $b=0.277^{+0.098}_{-0.101}$，表明原初非高斯性估计的无偏性。结果表明，CNN 技术可广泛应用于直接从 CMB 图像进行其他宇宙学参数的估计。