Ly{\alpha}NNA II：基于噪声Ly{\alpha}林谱的场级推断

深度学习（DL）已被证明优于传统的人类定义的Ly{\alpha}林谱摘要统计量，在约束关键天体物理和宇宙学参数方面具有优势，由于其能够挖掘非高斯信息的潜在价值。然而，噪声等扰动效应对此类场级框架的影响仍不为人知。在本工作中，我们系统性地调查了从噪声Ly{\alpha}林谱进行DL推断的有效性。建立在我们之前的概念证框架（Nayak 等 2024）基础上，我们构建并训练了一个ResNet神经网络，使用来自水动力学模拟的标记数据，包含多种噪声水平，以最佳方式压缩噪声林谱，生成一种仅对中星际介质（IGM）幂律温度-密度关系敏感的新型摘要统计量。我们通过我们的标签和摘要拟合一个具有23个组成部分的高斯混合代理，用于通过无标签推断估计联合数据-参数分布，此外还采用高斯似然进行推断。两种情况下后验轮廓彼此良好地一致。我们将我们的后验约束的精度和准确性与两种人类定义的摘要统计量（1D功率谱和Ly{\alpha}传输的概率密度函数）相比较，这两种摘要统计量已对噪声进行校正，覆盖连续到噪声比（CNR）在似然情况下的广泛范围。我们发现相对于上述组合，管道在后验轮廓面积上的精度提升，分别在每个CNR值（20 km/s 每6 km/s）到200 km/s 每6 km/s之间提升65%到112%。虽然在无噪声情况下的后验精度提升幅度不如此大，但这些结果表明，即使在噪声、真实世界数据集上，DL仍然是推断的强大工具。