缓解再电离时期 AI 参数推断中的模拟器依赖性：模拟多样性的重要性
宇宙学与河外天体物理
2026-05-08 v2
摘要
中性氢的 21cm 信号包含了关于宇宙学历史中约束不足的时期——再电离时期（EoR）——的丰富信息。最近，在 EoR 模拟上训练的 AI 模型作为从 21cm 观测中推断参数的强大且灵活的选项，受到了广泛关注。然而，先前的工作表明，在一个模拟器的数据上训练的 AI 模型无法泛化到另一个模拟器的数据，这引发了人们对 AI 模型能否从观测中准确推断参数的怀疑。我们基于增加训练数据集的多样性可通过平均化虚假和矛盾信息来提高模型鲁棒性这一原则，开发了一种在宇宙学模拟上训练 AI 模型的新策略。我们在来自四个模拟器不同组合的数据上训练 AI 模型，然后比较这些模型在作为真实宇宙代理的保留模拟器数据上进行预测时的性能。我们发现，在多个模拟器数据上训练的模型在保留模拟器数据上的表现优于在单个模拟器数据上训练的模型，这表明增加训练数据集的多样性可提高模型的泛化能力。这一结果表明，未来的 EoR 参数推断方法可以通过将多种模拟方法纳入其分析中来缓解模拟器特定的偏差。
引用
@article{arxiv.2601.05229,
title = {Mitigating Simulator Dependence in AI Parameter Inference for the Epoch of Reionization: The Importance of Simulation Diversity},
author = {Jasper Solt and Jonathan C. Pober and Stephen H. Bach},
journal= {arXiv preprint arXiv:2601.05229},
year = {2026}
}
备注
Matches version accepted by the Monthly Notices of the Royal Astronomical Society