用神经网络去除强度图混淆
宇宙学与河外天体物理
2019-05-28 v1
摘要
谱线强度图(LIMs)原则上对常规巡天不可见的暗弱遥远星系的大量信息敏感。然而，实际从混淆、前景污染图中提取该信息可能具挑战性。本工作中我们呈现卷积神经网络(CNN)首次应用于直接确定LIM的潜在光度函数，包括对河外前景和仪器噪声的处理。我们将CNN应用于类似当前活跃COMAP实验将产生的模拟一氧化碳(CO)谱线强度图。我们在若干噪声场景下评估训练好的CNN，以确定网络预测应用于真实数据的稳健性。我们发现，在模拟数据捕获真实数据所有特征的理想情况下，CNN表现与常规分析相当或更好。然而，当在训练所用信号和系统误差之外的信号与系统误差上测试时，网络精度显著下降。对于强度映射和整个宇宙学，这促使广泛研究模拟数据是否能被生成得足够细致以实现机器学习方法的巨大潜力。
引用
@article{arxiv.1905.10376,
title = {Deconfusing intensity maps with neural networks},
author = {Daniel N. Pfeffer and Patrick C. Breysse and George Stein},
journal= {arXiv preprint arXiv:1905.10376},
year = {2019}
}
备注
15 pages, 12 figures, 4 tables