利用卷积神经网络从21cm图中识别再电离源
宇宙学与河外天体物理
2018-12-20 v2 星系天体物理
摘要
活动星系核（AGN）与恒星形成星系是作为再电离我们宇宙的发光源的主要候选者。下一代21cm巡天有望打破广泛再电离模型间的简并，从而揭示源族的性质。虽然许多当前努力集中于21cm功率谱的测量，一些巡天还将对再电离期间的21cm场进行成像。这提供了进一步信息以判定再电离源的性质。我们创建了一个卷积神经网络（CNN），能高效区分由AGN与星系情形产生的21cm图，准确率依红移与中性分数范围为92-100%。例外情况是当我们的宇宙高度电离时，因为该情况下源模型给出近乎一致的21cm图。当加入典型21cm实验的热噪声后，分类准确率强烈依赖于前景去除的有效性。我们的结果表明，若前景能被较好去除，SKA、HERA和LOFAR应能在固定红移下以更高精度判别源模型。仅有未来SKA 21cm巡天有望打破功率谱分析中的简并。
引用
@article{arxiv.1807.03317,
title = {Identifying Reionization Sources from 21cm Maps using Convolutional Neural Networks},
author = {Sultan Hassan and Adrian Liu and Saul Kohn and Paul La Plante},
journal= {arXiv preprint arXiv:1807.03317},
year = {2018}
}
备注
16 pages, 10 figures, MNRAS accepted