利用机器学习从类星体光谱重建密度功率谱

我们描述了一种利用机器学习从观测类星体光谱重建高红移宇宙密度扰动功率谱的端到端新方法。我们利用最先进的宇宙结构形成模拟生成大规模合成数据集，包含视线吸收光谱与沿同一视线的单维流体量（如总物质密度与中性原子氢密度）的配对。基于该数据集，我们构建了一系列数据驱动模型以预测总物质密度的功率谱。我们能够构建在波长 $k \leq 2 h Mpc^{-1}$ 处重建精度约 1% 的模型，而在更大 $k$ 处误差增大。我们展示了达到特定误差率所需的数据样本规模，从而给出达到期望精度所需数据量的概念。本工作为开发方法以分析下一代观测设施带来的极大型即将到来数据集奠定了基础。