利用基于神经网络的重构改进原初非高斯性的约束

我们研究了使用U-Net重构线性暗物质密度场及其对约束宇宙学参数（特别是原初非高斯性）的影响。我们的网络能够从N体模拟中重构红移$z=0$密度场的初始条件，在$k \leq 0.4$ h/Mpc范围内达到90%的精度，以极少的计算成本与最先进的重构算法相媲美。我们使用QUIJOTE模拟套件（包含非高斯初始条件）通过Fisher分析研究了重构后$z=0$密度场的信息内容。将重构前与重构后的功率谱和双谱数据结合至$k_{\rm max} = 0.52$ h/Mpc，我们发现所有参数均有显著改进。最值得注意的是，与使用仅重构前数据相比，我们得到$f_{\rm NL}$边缘化误差分别改进了3.65倍（局域型）、3.54倍（等边型）和2.90倍（正交型）。我们表明这些改进可归因于数据协方差减小与参数简并降低的共同作用。该结果朝从非线性尺度更优推断原初非高斯性迈出了重要一步。