从 ANN 到 BNN：利用不确定性感知的 21-cm 汇总信息推断重化参数
宇宙学与河外天体物理
2025-12-25 v2
摘要
从射电干涉仪观测的红移 21-cm 信号推断 Epoch of Reionization (EoR) 的 astrophysical 参数具有挑战性且至关重要。21-cm 信号预计高度非高斯，因此需要使用更高阶统计量，如二度谱。此外，对于不同参数集合的信号及其统计量进行正向建模需要反复运行仿真，这在计算上极其昂贵。为克服这一挑战，许多基于人工神经网络 (ANN) 的模拟器被引入，它们在短时间内即可生成 21-cm 汇总信息。然而，ANN 模拟器存在一个缺点：它们只能生成点值预测，无法捕捉其预测的不确定性。因此，当此类模拟器被用于贝叶斯推断管道时，无法自然地将预测不确定性传递到估计的模型参数中。为此，我们开发了用于 21-cm 信号统计量的贝叶斯神经网络 (BNN) 模拟器，后者提供预测信号统计量的后验分布，包括其预测不确定性。我们在我们的贝叶斯推断管道中使用这些 BNN 模拟器，通过 1000 小时的 SKA-LOW 观测，对 21-cm 汇总信息的 mock 观测进行 EoR 参数推断。我们表明 BNN 模拟器能够捕捉 21-cm 功率谱和二度谱的预测不确定性，并使用这些模拟器进行推断可对其提供更紧密的约束。我们减少了训练数据集的规模，并指出对于较小的训练数据集，BNN 优于 ANN 模拟器。我们还表明，使用二度谱作为汇总统计量比功率谱对 EoR 参数提供更好的约束。
引用
@article{arxiv.2508.13261,
title = {From ANN to BNN: Inferring Reionization Parameters using Uncertainty-aware Emulators of 21-cm Summaries},
author = {Yashrajsinh Mahida and Sanjay Kumar Yadav and Suman Majumdar and Leon Noble and Chandra Shekhar Murmu and Saswata Dasgupta and Sohini Dutta and Himanshu Tiwari and Abinash Kumar Shaw},
journal= {arXiv preprint arXiv:2508.13261},
year = {2025}
}
备注
Published version; 31 pages, 7 figures, 3 tables