中文

利用条件神经样条流对赖曼-α附近的类星体连续谱进行全概率预测

宇宙学与河外天体物理 2020-06-04 v2 星系天体物理 天体物理仪器与方法 机器学习 机器学习

摘要

在类星体光谱中测量中性氢的红色阻尼翼可为早期宇宙再电离时期提供探测手段。此类量化需要对赖曼-α(Lyα)附近的内禀连续谱进行精确且无偏的估计,鉴于类星体高度可变的Lyα发射轮廓,这是一项具有挑战性的任务。在此,我们引入一种内禀连续谱预测的全概率方法。我们将该问题构建为条件密度估计任务,并使用归一化流显式建模在红侧光谱(1290 \unicodexC5λrest<2900 \unicodexC51290\ \unicode{xC5} \leq \lambda_{\text{rest}} < 2900\ \unicode{xC5})条件下蓝侧连续谱(1190 \unicodexC5λrest<1290 \unicodexC51190\ \unicode{xC5} \leq \lambda_{\text{rest}} < 1290\ \unicode{xC5})的分布。我们的方法达到了最先进的精度与准确度,能够在不到十分之一秒的时间内采样一千条合理连续谱,并可通过蒙特卡洛采样原生地提供蓝侧连续谱的置信区间。我们在两个z>7z>7的类星体中测量了阻尼翼效应,并据此估计了各自氢的体积平均中性分数,得到ULAS J1120+0641(z=7.09z=7.09)的xˉHI=0.304±0.042\bar{x}_\text{HI}=0.304 \pm 0.042与ULAS J1342+0928(z=7.54z=7.54)的xˉHI=0.384±0.133\bar{x}_\text{HI}=0.384 \pm 0.133

关键词

引用

@article{arxiv.2006.00615,
  title  = {Fully probabilistic quasar continua predictions near Lyman-{\alpha} with conditional neural spline flows},
  author = {David M. Reiman and John Tamanas and J. Xavier Prochaska and Dominika Ďurovčíková},
  journal= {arXiv preprint arXiv:2006.00615},
  year   = {2020}
}

备注

19 pages, 16 figures, 2 tables, submitted to MNRAS, code available at https://github.com/davidreiman/spectre