基于潜在空间 U-Net 编码与 XGBoost 的高效中性 IGM 推断
宇宙学与河外天体物理
2026-02-25 v1
摘要
21-cm 森林由中性氢在高红移类脉冲星系伴随体的射线谱中留下的窄吸收特征组成，这为探测宇宙重化时期中性中间介质 (IGM) 的热态提供了独特灵敏的手段。尽管目前已知超过 30 颗 的脉冲星系伴随体，但实际信号仍难以检测，由于仪器噪声、吸收特征的内在微弱以及可用背景源的有限亮度。近期研究聚焦于将 transmission power spectrum 作为统计可观测量，但该方法也需要高信噪比。本文系统比较了从 处的模拟 21-cm 森林谱中恢复 IGM 参数的五条推断管线，纳入真实的仪器噪声和望远镜特性。我们表明，基于机器学习的似然自由推断显著优于传统贝叶斯方法。特别是，我们最有效的方法完全不需要功率谱：我们使用卷积 U-Net 从输入谱中提取潜在空间编码，并利用 XGBoost 进行参数回归。该方法即使仅使用单个 50 小时 uGMRT sightline，即可对 IGM 中性分数和 X 射线加热效率提供准确约束，相较于现有技术集成时间提升了一个数量级。我们公开释放了代码、训练数据和模型。除 21-cm 森林外，这些结果凸显了混合深度学习和梯度提升推断技术在从低信噪比数据中提取物理信息方面的潜力。
引用
@article{arxiv.2507.11611,
title = {Efficient neutral-IGM inference from noisy 21-cm forest spectra with latent-space U-Net encoding and XGBoost},
author = {Sameer K. Patil and Tomáš Šoltinský and Soumak Maitra and Girish Kulkarni},
journal= {arXiv preprint arXiv:2507.11611},
year = {2026}
}
备注
16 pages, 10 figures