21 cm 重化学图谱的机器学习分析的可重复性
宇宙学与河外天体物理
2024-12-23 v1
摘要
机器学习（ML）方法越来越受欢迎，用于宇宙学中的参数推断，尽管其对特定训练数据的依赖可能导致在不同数据集上应用时出现困难。通过再现和测试之前在该领域中使用过的网络，并应用于 21cmFast 和 Simfast21 模拟，我们显示卷积神经网络（CNN）通常会学习识别单个模拟盒子的特征，而非底层物理，从而限制其对真实观测的适用性。我们检查了从 21 cm 图中预测中性离子浓度和天文学参数的能力，发现网络通常无法对未见的模拟进行概括。我们探索了多个案例研究，以突出影响网络性能的因素。这些结果强调了用户确保在 21 cm 宇宙学中正确应用 ML 模型的责任。
引用
@article{arxiv.2412.15893,
title = {Reproducibility of machine learning analyses of 21 cm reionization maps},
author = {Kimeel Sooknunan and Emma Chapman and Luke Conaboy and Daniel Mortlock and Jonathan Pritchard},
journal= {arXiv preprint arXiv:2412.15893},
year = {2024}
}
备注
14 pages, 12 figures, submitted to MNRAS, comments welcome