deep21：一种用于21cm前景去除的深度学习方法

我们致力于从21cm强度映射观测中去除前景污染。我们证明，一个具有UNet架构和三维卷积的深度卷积神经网络（CNN），在模拟观测上训练后，可在噪声存在下有效将宇宙中性氢（HI）信号的空间与频率模式同前景分离。清洗后的图在所有相关角尺度与频率上以10%内恢复宇宙学成团统计。这相当于在小角尺度（$\ell > 300$）上预测方差降低超过一个数量级，且相较于标准主成分分析（PCA）方法，在小径向尺度（$k_{\parallel} > 0.17\ \rm h\ Mpc^{-1}$）上精度提升。我们通过训练UNet集成来估计网络预测的后验置信区间。我们的方法证明了分析21cm强度图（而非导出的汇总统计量）对于即将到来的射电实验的可行性，只要模拟前景模型足够真实。我们在Github https://github.com/tlmakinen/deep21 提供了本分析所用代码，以及通过附带的 http://bit.ly/deep21-colab Colab笔记本提供的针对实验与UNet模型的浏览器教程。