基于神经网络的高红移类星体连续谱预测对再电离历史约束
宇宙学与河外天体物理
2020-05-19 v2 星系天体物理
摘要
对早期宇宙的观测表明再电离在 前已完成，然而该过程的确切历史仍属未知。测量此时期中性分数演化的一种方法是通过观测高红移类星体的 Ly 阻尼翼。为从类星体观测约束中性分数，需要类星体在 Ly 附近谱的精确模型：该谱在其宿主星系处理后、但在沿途 IGM 中吸收与阻尼改变之前。本文中，我们提出一种新颖的机器学习方法，使用人工神经网络重建 Ly 附近的类星体连续谱。我们的 QSANNdRA 算法相比文献中最先进的基于 PCA 的模型，将此重建的误差平均降低 14.2%，相比其一种扩展平均改进 6.1%。与扩展 PCA 模型相比，当在最为相似于所考虑的两个高红移类星体（分别为 的 ULAS J1120+0641 与 的 ULAS J1342+0928）的低红移类星体上评估时，QSANNdRA 进一步分别实现 22.1% 与 16.8% 的改进。利用对这些 类星体更精确的重建，我们使用均匀再电离模型估计 IGM 的中性分数，得到 处 ，以及 处 。我们的结果与文献一致，并倾向于再电离的迅速终结。
引用
@article{arxiv.1912.01050,
title = {Reionization history constraints from neural network based predictions of high-redshift quasar continua},
author = {D. Ďurovčíková and H. Katz and S. E. I. Bosman and F. B. Davies and J. Devriendt and A. Slyz},
journal= {arXiv preprint arXiv:1912.01050},
year = {2020}
}