利用深度学习重建斑块状再电离
宇宙学与河外天体物理
2021-08-25 v2 计算机视觉与模式识别
机器学习
摘要
下一代宇宙微波背景（CMB）巡天所预期的高精度将为宇宙学提供具有典型新意义的机遇。CMB 的次级各向异性在即将到来的巡天中重要性将增加，这既由于其编码的宇宙学信息，也由于其在遮蔽我们对原初涨落视野中所起的作用。二次估计量已成为重建扭曲原初 CMB 并产生次级各向异性的场的标准工具。虽然在当前数据下对透镜重建是成功的，但对于预期灵敏度的未来 CMB 巡天，二次估计量在透镜及其他效应的重建上将是次优的。本文中我们描述了一个卷积神经网络 ResUNet-CMB，能够同时重建两种 CMB 次级各向异性的来源：引力透镜与斑块状再电离。我们表明，在低噪声水平下 ResUNet-CMB 网络显著优于二次估计量，并且不受直接使用二次估计量时会在斑块状再电离重建中出现的透镜诱导偏差的影响。
引用
@article{arxiv.2101.01214,
title = {Reconstructing Patchy Reionization with Deep Learning},
author = {Eric Guzman and Joel Meyers},
journal= {arXiv preprint arXiv:2101.01214},
year = {2021}
}
备注
14 pages, 9 figures. Updated to match published version. Code available from https://github.com/EEmGuzman/resunet-cmb