无需直接观测涡流：基于深度学习的 21 cm 强度映射中的 BAO 恢复

21 cm 强度映射为大尺度结构提供了有前景的探针。天体物理前景作为宇宙 21 cm 信号的主要污染源，由于射电干涉仪观测中固有的色度，仍然存在于傅里叶空间的楔形区域。前景规避策略侧重于利用相对干净区域的数据，这些区域前景泄漏最小，代价是丢失大尺度信息。然而，非线性结构形成将傅里叶模式跨尺度耦合，留下了丢失的大尺度模式在剩余数据中的痕迹。在本工作中，我们采用深度学习方法测试是否可以在仅使用超线性尺度的短波长模式的情况下，在场水平上恢复 21 cm 亮度温度场的大尺度特征，特别是子午波（BAO）。为明确评估对训练宇宙学的依赖，我们仅在无波动模拟上训练网络，为受控测试提供了依据，以判断重建是否源于物理非线性模式耦合而非隐式编码 BAO 特征。在理想无噪声情况下，丢失模式的振幅和相位可获得高度忠实的恢复。包括仪器噪声后，恢复振幅受到偏差，而相位信息仍然稳健。训练好的网络对底层宇宙学模型的变化也表现出合理的鲁棒性。综上，这些结果表明模式恢复为从未来 21 cm 强度映射分析中提取宇宙信息提供了一种补充方法。