通过训练卷积神经网络约束点源的偏振通量密度与偏振角

约束河外点源的偏振性质是一项重要任务，不仅因为当张量-标量比低于r=0.001时它们是原初宇宙微波背景B模探测的主要污染之一，也为了更好地理解射电噪活动星系核的性质。我们开发并训练了一个基于卷积神经网络的机器学习模型，以学习在仅已知点源位置的情况下，如何估计嵌入宇宙微波背景图像中的点源的偏振通量密度和偏振角。为训练该神经网络，我们使用217 GHz Planck通道下面积为32×32像素的真实模拟图块，并在其中心注入点源。图块还包含由尘埃、CMB和仪器噪声组成的真实背景。首先，我们研究了P、Q和U的真实与估计偏振通量密度的比较。其次，我们分析了真实与估计偏振角的比较。最后，我们用真实数据测试了模型的性能，并将结果与PCCS2进行了对比。我们得到模型在约束高于80 mJy的偏振通量时是可靠的；在此极限下，误差低于30%。用Q和U训练同一网络时，确定Q和U源偏振角的可靠性极限在±250 mJy以上，Q和U源的1σ不确定度分别为±29°和±32°。我们对部分源得到了与PCCS2相似的结果，但也发现与Planck星表在300–400 mJy通量密度范围存在偏差。基于这些结果，我们的模型似乎是一种有前景的工具，可在几乎零计算时间下对任意星表中高于80 mJy点源的偏振通量密度和角度给出估计。