基于人工神经网络重建 21 cm 功率谱演化的再电化历史

我们探讨固定 $k$ 值下 dimensionless 21 cm 功率谱 $\Delta^2_{21}(k, z)$ 的红移演化是否包含足以用人工神经网络重建再电化历史 $x_{\mathrm{HI}}(z)$ 的信息。在受限的三参数 21cmFAST 模型族中生成的半数值化样本上，我们训练一个紧凑的前馈网络，以学习从功率谱轨迹到中性氢分数历程 $6 \le z \le 15$ 的反向映射。对于 $k = 0.1$, $0.5$, 和 $1.0\ h\ \mathrm{Mpc}^{-1}$，代表性测试在独立测试集上显示，中点红移 $z_{50}$ 的恢复精度优于持续时间 $\Delta z = z_{75} - z_{25}$：$z_{50}$ 的 MAE 为 0.0046，RMSE 为 0.0100，而 $\Delta z$ 的 MAE 为 0.0302，RMSE 为 0.0378。这一结果表明，固定 $k$ 功率谱演化对再电化时机的信信息比对其详细过渡宽度更具信息量。我们进一步测试了理想化的前景-free SKA1-Low 类热力学加样方差噪声模型，发现重建在考虑 favorably signal-to-noise regime 时保持稳定。这一结果表明，神经网络可作为先验依赖的反向映射，用于从 21 cm 功率谱演化中重建再电化历史。