基于 21cm 图深度学习的再电离模型分类器
宇宙学与河外天体物理
2018-07-27 v2 星系天体物理
摘要
下一代 21cm 观测将实现对再电离现象在大尺度上的成像。这些图像比功率谱包含更多天体物理与宇宙学信息，从而提供约束不同再电离源族对宇宙再电离贡献的替代途径。利用卷积神经网络（Convolutional Neural Networks），我们给出了一种足以区分星系主导与 AGN 主导模型的简单网络架构，即便在来自 HERA 与 SKA 等不同实验的模拟噪声存在时亦然。
引用
@article{arxiv.1801.06381,
title = {Reionization Models Classifier using 21cm Map Deep Learning},
author = {Sultan Hassan and Adrian Liu and Saul Kohn and James E. Aguirre and Paul La Plante and Adam Lidz},
journal= {arXiv preprint arXiv:1801.06381},
year = {2018}
}
备注
Contributed talk for the IAU Symposium 333 "Peering towards Cosmic Dawn", Dubrovnik, October 2-6, 2017; to appear in the proceedings, eds. Vibor Jelic and Thijs van der Hulst [5 pages, 3 figures]