用卷积去噪自编码器分离再电离时期信号：一种基于深度学习的方法

在应用前景减除方法以揭示再电离时期（EoR）微弱宇宙学信号时，前景谱被假定为平滑的。然而，这一假定在实践中可能严重不成立，因为未分辨或误减的前景源——再叠加干涉仪的频率相关束效应使其更趋复杂——将沿频率维产生显著涨落。为解决此问题，我们提出一种新颖的基于深度学习的方法，使用 9 层卷积去噪自编码器（CDAE）来分离 EoR 信号。在经过具有真实束效应模拟的 SKA 图像训练后，CDAE 取得优异性能，重建与输入 EoR 信号间的平均相关系数（$\bar{\rho}$）达到 $0.929 \pm 0.045$。相比之下，两种代表性传统方法即多项式拟合方法与连续小波变换方法均难以建模并去除受束效应复杂化的前景辐射，仅分别给出 $\bar{\rho}_{\text{poly}} = 0.296 \pm 0.121$ 与 $\bar{\rho}_{\text{cwt}} = 0.198 \pm 0.160$。我们得出结论：通过多层卷积层级联学习复杂特征，CDAE 是一种可克服复杂束效应并精确分离 EoR 信号的强有力工具。我们的结果也展示了基于深度学习的方法在未来 EoR 实验中的巨大潜力。