通过21cm线强度映射区分温暗物质模型：一种卷积神经网络方法

我们将卷积神经网络应用于再电离后时期的模拟21cm图，表明在WDM粒子遵循Fermi-Dirac（FD）分布热产生的假设下，当WDM粒子质量 $m_{FD}<3$\,keV 时，可以区分 $\Lambda$ 冷暗物质与温暗物质（WDM）模型。我们证明CNN是区分暗物质质量的有力工具，突出了其对由不同暗物质质量产生的21cm图中细微差异的敏感性。此外，我们将分析扩展到不同的WDM产生机制，认识到早期宇宙中的暗物质产生机制是暗物质模型构建中最大不确定性来源之一。在这项工作中，给定暗物质的质量，我们讨论了区分四种不同WDM模型的可行性：Fermi-Dirac（FD）分布模型、中微子最小标准模型（$\nu$MSM）、Dodelson-Widrow（DW）和Shi-Fuller（SF）模型。例如，当WDM质量为2\,keV时，我们表明可以区分CDM、FD、$\nu$MSM和DW模型，而区分DW和SF模型则具有挑战性。我们的结果进一步证实了CNN作为21cm图稳健分析的可行性，并揭示了其揭示与不同暗物质产生机制相关特征的潜力。