利用卷积神经网络从Planck CMB图中推断再电离光学深度$\tau$

再电离光学深度$\tau$是宇宙学$\Lambda$CDM模型中约束最弱的参数。迄今其最精确值由来自${\it Planck}$高频仪器（HFI）的大尺度偏振CMB功率谱推断得到。这些图已知含有显著的残差非高斯系统效应污染，难以解析建模。因此，目前对$\tau$的稳健约束通过基于模拟构建的经验交叉谱似然获得。本文给出了一种从偏振${\it Planck}$ HFI图中无似然推断$\tau$的方法，该方法首次完全基于神经网络（NNs）。神经网络的优势在于不需要对数据作解析描述，并可在最先进模拟上训练，结合多通道信息。通过使用高斯天空模拟和包含CMB、噪声及残差仪器系统效应的${\it Planck}$ ${\tt SRoll2}$模拟，我们考虑不同设置对NN模型进行训练、测试和验证。我们直接从$\sim 4^\circ$像素分辨率的$Q$和$U$图推断$\tau$值，而无需计算功率谱。在${\it Planck}$数据上，我们得到$\tau_{NN}=0.058 \pm 0.008$，与当前EE交叉谱结果相容，但不确定性约大$30\%$，这可归因于我们估计量的固有非最优性以及为规避偏差所采用的重训练过程。尽管本文未改进当前宇宙学约束，我们的分析代表了神经网络推断在真实数据上的首次稳健应用，并凸显其作为近未来CMB实验互补分析大有前景的工具的潜力，亦着眼于实现原初引力波探测这一持续挑战。