CMB 极化前景消除的神经网络鲁棒性
宇宙学与河外天体物理
2026-03-18 v2 天体物理仪器与方法
高能物理 - 唯象学
摘要
探测 Cosmic Microwave Background (CMB) primordial -mode 极化将构成 primordial gravitational waves 的 "smoking gun" 信号。然而，这一测量需要准确消除 polarized Galactic 前景，以避免在估计 tensor-to-scalar ratio 时引入系统性偏差。最近提出的基于机器学习技术 (ML) 的方法，如卷积神经网络 (CNN)，被作为替代性前景消除技术，但其应用于实际数据依赖于其在训练期间所假设模型的泛化能力。本文聚焦于各种用于训练的前景模型 (FMs)，并系统研究 CNN 方法的泛化特性。我们在来自不同 Galactic FMs 的模拟数据上训练各种 CNN 架构，并测试其在训练期间未使用的模型上的性能。通过对 FMs 的统计特性进行表征（包括方差、偏度和 Shannon 熵），我们定义了 FMs 之间的统计复杂度层次结构。我们表明，在更复杂的 FMs 上进行训练可减少偏差并提高对未见 FMs 的精度预测，而在最简单的模型上进行训练则可能引入系统性误差。这些结果表明，缺乏泛化性是导致系统性不确定性的重要来源，强调在将其应用于实际数据之前，必须理解训练期间所假设模型对 ML-based 方法影响的重要性。
引用
@article{arxiv.2603.12364,
title = {Robustness of Neural Networks for CMB Polarization Foreground Removal},
author = {Luca Gomez Bachar and Cora Dvorkin and Alberto Daniel Supanitsky},
journal= {arXiv preprint arXiv:2603.12364},
year = {2026}
}
备注
16 pages, 7 figures