理解使用CNN时半数值再电离模型的影响

解读来自HERA与SKA等当前及即将开展实验的21厘米测量，将为再电离时代（EoR）的天体物理与宇宙学提供新的科学见解与令人振奋的启示。近期若干工作提出使用机器学习方法（如卷积神经网络（CNNs））来分析这些实验生成的再电离图像，因其可充分利用图像所含信息。一般而言，这些研究仅使用单一半数值方法生成输入的21厘米数据。本工作中，我们探究了为再电离应用训练CNN在多大程度上依赖于底层半数值模型。在从21厘米图像预测CMB光深的背景下，我们比较了在21cmfast与zreion（两种广泛使用的半数值再电离方法）相似数据集上训练的网络。我们表明，仅在一种模型输入数据上训练的神经网络在另一种模型数据上预测效果很差。仅当训练数据同时包含两种模型时方可获得满意结果。该发现对未来观测数据分析有重要意义，并鼓励使用多种模型以生成捕捉EoR全部复杂性的图像。