利用信息最大化神经网络在傅里叶空间从Ly$\alpha$森林进行参数估计

我们旨在利用信息最大化神经网络（IMNN）从Sherwood-Relics模拟套件的模拟Lyα森林光谱中，在傅里叶空间从Lyα一维透射通量中提取最大信息，从而实现稳健的参数估计。我们使用IMNN对z=2-4的IGM热参数$T_0$和$\gamma$以及z=3-4的宇宙学参数$\sigma_8$和$n_s$进行一维估计。我们将结果与使用马尔可夫链蒙特卡洛（MCMC）从功率谱得到的后验分布估计进行比较。然后，我们检查了IMNN估计对光谱噪声水平偏差、连续谱不确定性和仪器平滑效应的稳健性。利用CAMELS公开项目中的模拟Lyα森林视线，我们还检查了训练好的IMNN在不同模拟上的稳健性。我们还对$T_0$和HI光电离率$\Gamma_{HI}$进行了二维参数估计。与标准MCMC方法相比，我们使用IMNN获得了对$T_0$和$\gamma$的改进估计。这些估计在z=2和3时对信噪比偏差也更稳健。在z=4时，对噪声偏差的敏感性与MCMC估计相当。IMNN通过从傅里叶域提取与连续谱无关的小尺度信息，提供了对连续谱不确定性稳健的$T_0$和$\gamma$估计。对于$\sigma_8$和$n_s$，IMNN的表现与MCMC相当，但在从新数据集估计参数时仍提供了显著的速度提升。在高仪器分辨率（FWHM=6km/s）下，IMNN的估计改进明显。在中或低分辨率下，IMNN的表现与MCMC相似，表明IMNN能更好地提取小尺度信息。我们还发现IMNN估计对模拟的选择是稳健的。通过对$T_0$和$\Gamma_{HI}$进行二维参数估计，我们还展示了未来如何在观测上推进这种方法。