基于深度学习的 21-cm 森林观测的无似然参数推断
宇宙学与河外天体物理
2025-06-03 v2 广义相对论与量子宇宙学
高能物理 - 唯象学
摘要
中高红移射电源光谱中中性氢的超精细结构吸收线（统称为 21-cm 森林）已被证明是灵敏探测器，能够探测由暗物质 (DM) 属性支配的小尺度结构，以及由第一个星系在再电子化时代调控的星际介质热力学历史。通过对这些光谱特征进行统计分析，21-cm 森林的一维 (1D) 功率谱能够有效打破参数退化关系，从而约束 DM 和第一个星系的性质。然而，由于 21-cm 森林需要昂贵的模拟，且信号特征为非高斯，这些常规参数推断方法面临挑战。为此，我们引入生成式正态流用于数据增强，以及参数推断正态流用于参数估计。该方法能够高效地从最少模拟的数据集中估计参数，数据集具有非高斯信号特征。使用来自即将到来的 Square Kilometre Array (SKA) 的模拟数据，我们展示了深度学习驱动的无似然方法能够生成准确的后验分布，为使用 SKA 时代 21-cm 森林 1D 功率谱探测 DM 和宇宙加热历史提供了稳健且高效的工具。该方法同样适用于其他不均匀分布数据的科学分析。
引用
@article{arxiv.2407.14298,
title = {Deep learning-driven likelihood-free parameter inference for 21-cm forest observations},
author = {Tian-Yang Sun and Yue Shao and Yichao Li and Yidong Xu and He Wang and Xin Zhang},
journal= {arXiv preprint arXiv:2407.14298},
year = {2025}
}
备注
70 pages, 18 figures; accepted for publication in Communications Physics