利用深度学习优化热 Sunyaev-Zeldovich 效应的 NILC 提取

热 Sunyaev-Zel'dovich 效应 (SZ) 的全天图往往受到用于提取信号的成分分离技术所产生的系统性特征的影响。在这项工作中，我们研究了这些方法中的一种，即 needlet 内部线性组合 (NILC)，并在模拟数据上测试了其性能。我们表明，NILC 估计受到空间局部化参数 ($\Gamma$) 选择的强烈影响，该参数控制着偏差-方差权衡。通常，NILC 提取假设整个天空中 $\Gamma$ 的值固定，但我们表明存在一个依赖于 SZ 信号强度和局部污染特性的最优 $\Gamma$。然后我们计算了多个 $\Gamma$ 值下的 NILC 解，并将结果输入神经网络以预测 SZ 信号。这种我们称之为 Deep-NILC 的提取方法在一组验证数据上进行了测试，包括已解析系统的恢复径向剖面。我们的主要结果是，Deep-NILC 相比于选择固定的 $\Gamma$ 值提供了显著的改进。