SRoll3：一种用于降低Planck高频仪器图中大尺度系统效应的神经网络方法

在本工作中，我们提出一种基于神经网络的数据反演方法，以降低结构化污染来源，特别关注Planck高频仪器（Planck-HFI）数据的地图制作以及所生成天图中大尺度系统效应的去除。污染来源的去除之所以可行，是因为这些来源具有结构化特性，其表现为产生不同时空尺度间耦合的局部时空相互作用。我们重点探索利用神经网络作为手段，借助这些耦合来学习最优低维表示，并针对污染来源去除与地图制作目标进行优化，以实现稳健且有效的数据反演。我们开发了所提方法的多种变体，并考虑引入物理信息约束与迁移学习技术。此外，我们着重利用数据增强技术，将专家知识整合到原本无监督的网络训练方法中。我们在Planck-HFI 545 GHz远旁瓣模拟数据上验证了所提方法，考虑了涉及部分、填补缺口和不一致数据集的理想与非理想情况，并展示了基于神经网络的数据降维在准确建模与去除大尺度系统效应方面的潜力。我们还给出了在真实Planck-HFI 857 GHz数据上的应用，说明了所提方法在准确建模与捕捉结构化污染来源方面的相关性，在污染去除性能上报道了高达一个数量级的提升。重要的是，本工作中开发的方法将被整合进新版本的SRoll算法（SRoll3）中，我们在此描述了将向社区发布的SRoll3 857 GHz探测器图。