PUREPath：一种用于估计宇宙微波背景大角天空后验分布的深层变分模型
宇宙学与河外天体物理
2024-07-01 v2
摘要
我们提出了一种综合性的神经网络架构PUREPath，利用嵌套的概率多模态U-Net框架，并在解码器的扩张路径中加入概率ResNet模块，来估计给定观测到的CMB数据和训练数据集的条件下，宇宙微波背景(CMB)信号后验密度。通过无缝集成贝叶斯统计和变分方法，该模型有效减少了观察到的CMB图中的前景杂质。模型使用基于公开可用Code for Anisotropies in the Microwave Background (CAMB)和Python Sky Model (PySM)软件包模拟的普惠计划(LFI和HFI)频率通道30-353 GHz的前景和噪声污染的CMB温度图进行训练。在训练期间，模型将初始参数分布转化为基于训练数据的后验分布。从参数的联合后验分布出发，在推断阶段，估计预测CMB后验及其摘要统计量，如清理后的CMB图的预测均值、方差等。预测标准差图为预测均值CMB图中每个像素的不确定性提供了直接且可解释的度量。清理后的CMB图及其误差估计可用于更精确的宇宙学参数测量和其他宇宙学分析。
引用
@article{arxiv.2406.19367,
title = {PUREPath: A Deep Latent Variational Model for Estimating CMB Posterior over Large Angular Scales of the Sky},
author = {Vipin Sudevan and Pisin Chen},
journal= {arXiv preprint arXiv:2406.19367},
year = {2024}
}
备注
Updated Figure 3 and 7, earlier version corresponds to the pixels estimated at healpix nside 32 and smoothed by a gaussian beam of 6 deg. Updated Figure 4 for better clarity on error map Updated Figure 9 with mean cl estimated from cleaned cmb map samples