基于机器学习推断 21 cm 亮度温度场中中性氢密度、自旋温度和中性分数场

中性氢在重联时代和宇宙黎明期间的 21 cm 亮度温度场是丰富的宇宙学和天体物理信息来源，主要due于其显著的非高斯特征。然而，复杂的非线性物理过程的本质使得对该信号进行解析建模具有挑战性。因此，研究者常常诉诸准数值模拟。依赖有限摘要统计量的传统分析方法可能不足以充分捕捉数据中的非高斯内容，因为最具信息量的统计量并非预先确定。本文探索了应用机器学习 (ML) 以克服摘要统计量的局限性，利用 21 cm 信号固有的非高斯特征。我们展示，经过充分训练的神经网络可以独立重建氢密度、自旋温度和中性分数场，在 $k$ 模小于 $0.5$ Mpc h$^{-1}$ 时的交叉相干值可超过 0.95，该研究基于约 $z \approx 15$ 时的一个代表性模拟。为实现这一目标，神经网络利用亮度温度图像中非高斯信息的多尺度特征。我们讨论了这些重建场——其对模型参数的灵敏度各不相同——可用于参数推断，仅凭亮度温度场的有限摘要统计量（如其功率谱）即可为人们提供对底层宇宙学和天体物理过程的更直接见解。