再电离时期21厘米微分亮温度的深度学习方法研究
宇宙学与河外天体物理
2020-07-15 v2
摘要
我们提出一种基于卷积神经网络（CNN）的深度学习分析技术，用于从21厘米微分亮温度层析图像预测再电离时期（EoR）的演化轨迹。我们使用快速半数值宇宙学21厘米信号模拟器21cmFAST，生成之间的模拟21厘米图。随后我们将两种观测效应加入这些21厘米图中，例如仪器噪声以及（空间与深度）分辨率限制，其设定在一定程度上适合平方公里阵列（SKA）的实际选择。我们设计基于CNN的深度学习模型，从给定的21厘米图预测切片平均的中性氢分数。即便在经过较宽束宽和频率带宽的粗略平滑，以及被窄带噪声严重覆盖的情况下，我们CNN模型估计的中性分数仍与其真实值高度吻合。我们的结果表明，深度学习方法在将来从21厘米层析巡天高效重建EoR历史方面具有巨大潜力。
引用
@article{arxiv.2006.06236,
title = {Deep-Learning Study of the 21cm Differential Brightness Temperature During the Epoch of Reionization},
author = {Yungi Kwon and Sungwook E. Hong and Inkyu Park},
journal= {arXiv preprint arXiv:2006.06236},
year = {2020}
}
备注
25 pages, 8 figures, added references