从21 cm光锥机器学习天体物理：网络架构与信号污染的影响

对宇宙21 cm信号成像将描绘出我们宇宙首个十亿年的地图。所得的3D光锥(LC)将编码 unseen 首批星系的属性与物理宇宙学。此处我们在先前利用神经网络(NNs)直接从21 cm LC图像推断天体物理参数工作基础上推进。我们引入循环神经网络(RNNs)，能够高效刻画21 cm LC图像沿红移轴的演化。利用大型模拟宇宙21 cm LC数据库，我们比较了不同网络架构在参数估计中的相对表现。这些包括两类复杂度不同的RNN，以及更传统的卷积神经网络(CNN)。对于无仪器效应的理想情形，我们最简单且最易训练的RNN表现最佳，其均方参数估计误差(MSE)较此处研究的其他架构低至少2倍，较先前研究的CNN低至少8倍。我们还通过加入 Square Kilometre Array 1000小时积分预期噪声及剔除前景污染的“视界楔”来污染宇宙信号。当NNs在这些污染LC图像上训练时参数预测误差增大，但即便在最悲观情形下（ $R^2 \ge 0.5-0.95$ ）恢复仍良好。然而，我们发现污染图像上各网络架构间性能无显著差异。我们认为这源于数据集规模，凸显了更大数据集和/或更好数据增强以最大化NNs在21 cm参数估计中潜力的需求。