宇宙学宇称破坏的无监督搜索：利用神经场散射变换提升检测能力

近期使用四点相关函数的研究表明星系分布中存在宇称破坏，尽管这些探测的显著性对用于模拟星系分布噪声特性的模拟选择很敏感。在近期的一篇论文中，我们引入了一种无监督学习方法，通过直接从观测数据中学习宇称破坏，提供了一种避免依赖模拟星表的替代方法。然而，我们之前的无监督方法所使用的卷积神经网络（CNN）模型难以扩展到数据受限的更现实场景。我们提出了一种新颖的方法——神经场散射变换（NFST），它通过添加参数化为神经场的可训练滤波器来增强小波散射变换（WST）技术。我们首先调整 NFST 模型以在简化数据集中检测宇称破坏，然后在不同训练集规模下将其性能与 WST 和 CNN 基准进行比较。我们发现 NFST 检测宇称破坏所需的数据量比 CNN 少 $4\times$，比 WST 少 $32\times$。此外，在数据有限的情况下，NFST 能以高达 $6\sigma$ 的置信度检测到宇称破坏，而 WST 和 CNN 则无法做出任何探测。我们发现，NFST 增加的灵活性（特别是学习不对称滤波器的能力）以及 NFST 架构中内置的特定对称性，使其性能优于基准模型。我们进一步证明 NFST 易于解释，这对于宇称破坏检测等物理应用非常有价值。