$\texttt{21cmLSTM}$: 一个用于全局21厘米信号的高精度记忆基于模拟器

神经网络（NN）模拟器的全局21厘米信号仿真误差需要小于观测噪声，以便用于执行无偏Bayesian参数推断。为此，我们引入$\texttt{21cmLSTM}$——一种长短期记忆（LSTM）NN模拟器，利用频率通道之间的内在相关性来实现比以前所有仿真器（全部是前馈、全连接NN）卓越的准确性。LSTM NN是一种设计用于捕获序列数据中长期依赖关系的循环NN。当在与最佳之前仿真器相同的模拟全局21厘米信号数据集上训练和测试时，$\texttt{21cmLSTM}$的平均相对rms误差为0.22%——相当于0.39 mK，并且计算速度相当快。我们使用$\texttt{21cmLSTM}$进行七维贝叶斯参数估计分析，用不同采纳观测噪声水平$\sigma_{21}$的全局21厘米信号mock数据进行拟合。后验$1\sigma$ rms误差约为$\sigma_{21}$的3倍，并且随噪声水平的加严而持续减小，表明$\texttt{21cmLSTM}$足以充分利用即使是非常乐观的全局21厘米信号测量。我们将该模拟器、代码和数据集公开提供，以便$\texttt{21cmLSTM}$能够独立测试并用于重新训练和约束其他21厘米模型。