利用神经网络校正光谱红移干扰在功率谱中的影响

现代的无孔径光谱调查（如 Euclid 和罗马太空望远镜）收集大量星系光谱，但因信噪比较低，常常导致在依赖单条发射线时进行错误的红移分配，这是由于噪声尖峰或来自非靶标发射线的污染，通常称为红移干扰者。我们提出一种机器学习方法，以纠正干扰者在测量概括统计量（聚焦于功率谱单极子和线干扰者）中的影响。为建模干扰效应，我们使用来自 Quijote 模拟的星系子宇宙目录作为星系的代理，按靶标星系与干扰星系之间的红移偏移距离位移一部分子宇宙，由此得到干扰子宇宙目录，其干扰比例在 Quijote 套组的广泛范围的宇宙学中具有变化。我们在功率谱单极子上（单独或与二次谱单极子组合）训练神经网络，从受污染的模拟数据中估计干扰比例并重建干净的功率谱。我们在两种情景下评估性能：一种是固定宇宙学，另一种是在宽泛先验下使宇宙学参数变化。在固定情况下，网络恢复干扰比例并将功率谱校正至更好于 1% 的精度。当宇宙学变化时，性能下降，但加入二次谱信息显著改善了结果，将干扰比例误差降低 40-60%。我们还研究方法性能随训练集大小的变化，发现最优策略取决于靶标样本与干扰样本之间的相关性：当靶标与干扰星系不相关时，二次谱信息有助于提升性能；当两者高度相关时，更紧的先验更有效。