利用深度学习恢复21cm强度映射中被前景污染缺失的模：对BAO重建的影响

在21cm强度映射中，大尺度结构的大尺度傅里叶模会受到前景污染的严重影响，导致大量数据丢失。同时，在配置空间中运行以“线性化”BAO特征的重子声学振荡（BAO）重建，能够对声视界尺度提供改进的约束。然而，这些受污染区域内缺失的模会对BAO重建算法产生负面影响。为应对这一挑战，我们采用深度学习模型U-Net，在应用BAO重建算法之前恢复丢失的模。尽管存在GPU内存等硬件限制，我们的结果表明，AI恢复的21cm温度图与原始信号具有高度相关性，在$k \sim 1 h/Mpc$处相关系数约为$0.9$。此外，随后的BAO重建表明，AI恢复对“线性化”BAO信号的性能影响极小，证明了机器学习方法在减轻前景污染影响方面的有效性。有趣的是，我们证明了在较粗网格上训练的AI模型可以有效地应用于较细网格，并获得更高的相关性。这一成功可能归因于大尺度结构中非线性模耦合的尺度不变性以及U-Net架构的层次结构。