利用球面卷积神经网络探测 CMB 中的原初非高斯性
宇宙学与河外天体物理
2025-08-28 v1
摘要
本文探讨了球面卷积神经网络的一种新颖应用，以探测宇宙微波背景（CMB）中的原初非高斯性，这是暴胀动力学的关键探针。传统估计量虽然有效，但在考虑双谱之外的汇总统计量时面临计算挑战。我们提出将球面 CNN 作为替代方案，直接分析全天 CMB 图，以克服以往依赖数据汇总的机器学习（ML）方法的局限性。通过在具有不同非高斯性幅度的模拟 CMB 图上进行训练，我们的球面 CNN 模型显示出与传统方法的最优误差界限有希望的一致性，尽管是在较低分辨率的图上。虽然我们探索了几种不同的架构，但 DeepSphere CNN 的结果在含噪和掩膜条件下最接近高斯测试集的 Fisher 预测。我们的研究表明，如果能提供额外的训练数据和参数调优，球面 CNN 可以作为未来数据集中非高斯性探测现有方法的补充。我们讨论了基于 CNN 的技术随数据量增加而扩展的潜力，为未来 CMB 数据集的应用铺平道路。
引用
@article{arxiv.2412.12377,
title = {Towards detecting Primordial non-Gaussianity in the CMB using Spherical Convolutional Neural Networks},
author = {Jorik Melsen and Thomas Flöss and P. Daniel Meerburg},
journal= {arXiv preprint arXiv:2412.12377},
year = {2025}
}
备注
11 pages, 1 figure, prepared for submission to MNRAS