基于KiDS-450弱透镜质量图的深度学习宇宙学约束

卷积神经网络（CNN）近期已在合成数据上被证明能够提升宇宙学推断的精度。特别是，相较于两点函数，它们有潜力从弱透镜质量图中给出更精确的宇宙学约束。我们给出了使用CNN从KiDS-450层析弱透镜数据集得到的宇宙学结果，约束了总物质密度$\Omega_m$、涨落幅度$\sigma_8$以及内禀对齐幅度$A_{\rm{IA}}$。我们使用N体模拟网格生成层析弱透镜图的训练集。我们测试了预期约束对各种效应的鲁棒性，如重子反馈、模拟精度、不同的$H_0$值或光锥投影技术。我们训练了一组不同深度的基于ResNet的CNN来分析划分为20个平坦区域的层析KiDS质量图集合，并施加了$\sigma=2.34$弧分的高斯平滑。剪切校准与$n(z)$误差的不确定性在似然管线中被边缘化。遵循盲法方案，我们通过CNN分析得到约束$S_8 = \sigma_8 (\Omega_m/0.3)^{0.5} = 0.777^{+0.038}_{-0.036}$，其中$A_{\rm{IA}}=1.398^{+0.779}_{-0.724}$。我们将此结果与相同图与似然管线上的功率谱分析进行比较，发现CNN约有$30\%$的改进。我们讨论了该结果如何为深度学习在未来宇宙学数据分析中的使用提供良好前景。