利用深度学习从21厘米层析成像推断天体物理与暗物质性质

21厘米层析成像为我们直接研究宇宙历史早期（再电离纪元（EoR）与宇宙黎明（CD））的天体物理和基础物理打开了一扇窗口。由于该信号高度非高斯的性质，功率谱等汇总统计量遗漏了其中编码的信息。在此，我们采用基于网络的方法，从21厘米层析成像中直接推断CD和EoR天体物理以及基础物理。我们展示了一个温暗物质（WDM）宇宙，其中暗物质密度参数$\Omega_\mathrm{m}$和WDM质量$m_\mathrm{WDM}$强烈影响CD和EoR。考虑到21厘米光锥的三维性质，我们提出了一种新颖虽简单的三维卷积神经网络，以在适中训练成本下实现高效参数恢复。在模拟中，我们观测到CD和EoR天体物理（$R^2>0.78-0.99$）以及暗物质密度$\Omega_\mathrm{m}$（$R^2>0.97$）和WDM质量（$R^2>0.61$，对于$m_\mathrm{WDM}<3-4\,$keV显著更好）的高保真参数恢复。对于包含平方公里阵列预期的噪声和前景水平的真实模拟观测光锥，我们注意到在乐观前景情形下参数恢复不受影响，而在中等、较不乐观的前景水平（占据所谓楔形区）下WDM质量的恢复变差，而其他参数在前景水平增加时保持稳健（$R^2>0.9$）。我们进一步通过裸模拟与模拟观测之间的迁移学习，测试了基于网络的推断对建模不确定性和系统误差的稳健性；我们发现特定X射线光度和电离效率的稳健恢复，而暗物质密度和WDM质量表现出增大的偏差和散度。