利用神经网络模拟再电离模拟以推断天体物理参数
宇宙学与河外天体物理
2018-01-03 v2
摘要
下一代射电实验（如 LOFAR、HERA 和 SKA）预计将探测再电离时代，并在未来十年内首次直接探测到宇宙 21cm 信号。数据量将非常庞大，从而有可能彻底改变我们对早期宇宙和星系形成的理解。然而，再电离时代的数值建模对于贝叶斯参数推断而言成本极高，且目前尚不清楚如何从即将获取的数据中最优地提取信息。快速模型评估的模拟技术最近被提出作为绕过昂贵模拟的一种方法。我们考虑将人工神经网络作为一种盲模拟技术。我们研究了训练时长和训练集大小对网络预测质量以及参数搜索所得最佳拟合值的影响。我们将我们的模拟技术与使用 21CMMC 的等效分析进行了直接比较。我们发现，使用少至 100 次模型评估的训练集，我们的网络就具有良好的预测能力，这在完全数值化辐射传输代码的能力范围之内。
引用
@article{arxiv.1708.00011,
title = {Emulation of reionization simulations for Bayesian inference of astrophysics parameters using neural networks},
author = {Claude J Schmit and Jonathan R Pritchard},
journal= {arXiv preprint arXiv:1708.00011},
year = {2018}
}
备注
12 pages, 13 figures