DeepCMB：利用深度神经网络重建宇宙微波背景透镜势

下一代宇宙微波背景（CMB）实验将具有更低的噪声，从而提高灵敏度，使得对基本物理参数（如中微子质量之和与张量-标量比 r）的约束得以改善。要获得对这些参数有竞争力的约束，需要从 CMB 图中以高信噪比提取投影引力势。重建透镜势的标准方法采用二次估计器（QE）。然而，在即将到来的实验所预期的低噪声水平下，QE 的表现次优。其他方法，如最大似然估计器（MLE），正在积极开发中。在这项工作中，我们展示了利用深度卷积神经网络（CNN）——即 ResUNet——重建 CMB 透镜势。该网络在模拟数据上训练和测试，除此之外与 CMB 和引力透镜的物理过程没有任何物理参数化关联。我们表明，在广泛的角尺度范围内，ResUNet 比 QE 方法以更高的信噪比恢复输入引力势，达到可与 MLE 方法的解析近似相比的水平。我们证明，当输入由不同宇宙学生成的 CMB 图时，网络输出可量化的不同透镜图。我们还展示我们可以利用重建的透镜图进行宇宙学参数估计。CNN 的这一应用在宇宙学与机器学习的交叉领域提供了若干创新。首先，在图像上训练和回归时，我们预测的是连续变量场而非离散类别。其次，我们能够建立与标准方法类似的网络输出不确定性度量。我们期望该方法在捕捉难以建模的非高斯天体物理前景与噪声贡献方面表现出色。