评估用于从再电离模拟预测功率谱的机器学习技术

SKA等即将开展的实验将提供海量数据。对高红移21cm信号进行快速建模对于高效将这些数据集与理论比较至关重要。当前最详尽的理论预测来自数值模拟以及更快但精度较低的半数值模拟。近来，人们提出利用机器学习技术以大幅降低的时间与计算成本来仿真这些半数值模拟的行为。我们比较了五种此类机器学习技术用于仿真公开代码SimFast21的21cm功率谱的可行性。我们最佳的仿真器是一个具有三个隐藏层的多层感知机，比模拟快 $10^8$ 倍地复现SimFast21功率谱，在所有红移与输入参数上平均均方误差为4%。其他技术（插值、高斯过程回归与支持向量机）比多层感知机具有更慢的预测时间与更差的预测精度。我们的所有仿真器均能在任意红移与尺度上做出预测，这给出了更灵活的预测，但在较低红移处导致明显更差的预测精度。随后我们提出了一种概念验证技术，利用最佳仿真器的快速预测速度在不同模拟间进行映射。我们演示了该技术以找到SimFast21与另一公开代码21cmFAST之间的映射。我们观察到在输入空间的某些区域模拟间存在显著偏移。此类技术有可能用作快速半数值模拟与精确数值辐射转移模拟之间的桥梁。