基于宇宙黎明与再电离 21 厘米层析的深度学习方法
宇宙学与河外天体物理
2019-02-13 v2
摘要
21 厘米功率谱（PS）已被证明是再电离与宇宙黎明天体物理参数的有力判别量。然而，21 厘米层析信号高度非高斯。因此，若仅使用 PS 进行参数恢复，会浪费额外信息。此处我们展示利用卷积神经网络（CNN）深度学习直接从 21 厘米图像恢复天体物理参数。使用取自 10,000 个 21 厘米光锥（每个由不同宇宙学初始条件生成）的 2D 图像数据库，我们表明 CNN 能够恢复描述首批星系的参数：(i) Tvir，其能高效形成恒星的最小宿主晕位力温度（或质量）；(ii) {\zeta}，其典型电离效率；(iii) LX/SFR，其典型软波段 X 射线光度与恒星形成率之比；以及 (iv) E0，能够逃离星系进入 IGM 的最小 X 射线能量。在其大部分允许范围内，log Tvir 与 log LX/SFR 以 < 1% 不确定度恢复，而 {\zeta} 与 E0 在 10% 不确定度内恢复。我们的结果大致可与先前分析的两个模拟观测中用 21CMMC 对 PS 进行蒙特卡洛马尔可夫链采样的精度相比，尽管我们提醒在本概念验证研究中尚未纳入噪声与前景污染。
引用
@article{arxiv.1805.02699,
title = {Deep learning from 21-cm tomography of the Cosmic Dawn and Reionization},
author = {Nicolas Gillet and Andrei Mesinger and Bradley Greig and Adrian Liu and Graziano Ucci},
journal= {arXiv preprint arXiv:1805.02699},
year = {2019}
}