深度学习在不同天空模型与频率相关系统误差下用于21cm前景去除的稳定性

深度学习（DL）近来被提出作为一种用于21cm前景去除的新方法。在将DL应用于实际观测之前，有必要评估其与既有方法的一致性、其在不同模拟模型下的性能以及其对仪器系统误差的鲁棒性。本研究开发了一个常用的U-Net，并基于纯高斯实现、拉格朗日扰动理论和Planck天空模型这三种不同的天空模拟模型，评估其后再电离前景去除的性能。只要训练与测试数据符合同一模型，即可在各模型间获得稳定结果。在考虑的红移范围内，U-Net重建数据中的残差前景平均约为信号在各角尺度上的10%。传统方法也发现了可比的结果。然而，盲目地将在一个模型上训练的网络用于另一模型的数据会导致不准确的重建，强调了训练数据一致性的必要性。研究随后向测试数据引入了频率相关的高斯束和增益漂移。该网络在没有先验信息的情况下难以对受“意外”系统误差影响的数据去噪。然而，在用受系统误差污染的数据进行一致重新训练后，网络有效恢复了其重建精度。这凸显了在训练期间纳入先验系统误差知识对于成功去噪的重要性。我们的工作为针对特定数据属性使用DL进行21cm前景去除提供了关键指南。值得注意的是，这是DL首次应用于目前最逼真的前景——Planck天空模型。