利用深度学习进行 CO 强度映射的前景去除

谱线强度映射（LIM）是研究恒星形成、宇宙大尺度结构以及再电离时期（EoR）的一种有前景的探测手段。由于一氧化碳（CO）是除分子氢 ${\rm H}_2$ 外宇宙中第二丰富的分子，它适合作为 LIM 巡天的示踪物。然而，正如其他 LIM 巡天一样，CO 强度映射也遭受强烈的前景污染，需要加以消除以提取有价值的天体物理与宇宙学信息。在本工作中，我们以 $^{12}$CO($\it J$=1-0) 发射谱线为例，研究深度学习方法能否通过去除前景有效恢复信号。CO(1-0) 强度图由考虑 CO 光度与晕质量关系的 N 体模拟生成，我们通过比较不同关系讨论了具有中等与低 CO 信号的两种情况。我们加入了由真实观测生成的前景，包括热尘埃、旋转尘埃、自由—自由、同步辐射发射以及 CMB 各向异性。还考虑了带有旁瓣效应的光束。我们的深度学习模型构建于 ResUNet 之上，其将图像生成算法 UNet 与最先进的深度学习架构 ResNet 相结合。在将数据输入 ResUNet 之前，采用主成分分析（PCA）方法对数据进行预处理。我们发现，在低仪器噪声情况下，我们的 UNet 能够通过去除前景并恢复 PCA 信号损失与光束效应，以正确的谱线功率谱高效重建 CO 信号图。我们的方法也可应用于其他强度映射，如中性氢 21cm 巡天。