用神经网络恢复 CMB 偏振图：在真实模拟中的表现

恢复偏振宇宙微波背景（CMB）对于揭示极早期宇宙的指数膨胀（即宇宙暴胀）至关重要。实现这一目标不仅需要提高仪器灵敏度，还需要发展稳健且多样的数据分析技术。在本工作中，我们探索了一种基于神经网络的新型成分分离方法，以重建 Stokes $Q$ 和 $U$ 偏振图。为验证该方法，我们首先在真实的 Planck 天空模拟上测试该网络，发现 $E$ 模的均绝对误差为 $0.1 \pm 0.3~\mu K^{2}$，$B$ 模为 $-0.1 \pm 0.3~\mu K^{2}$。随后我们将训练好的网络应用于公开的 Planck 观测数据，结果与使用 Commander 方法所得结果一致。基于这些发现，我们得出结论：基于神经网络的方法在偏振 CMB 实验中作为成分分离技术具有潜力。然而，在这些方法能够提供可靠的高精度宇宙学估计之前，仍需实质性改进和更全面的分析。