用卷积神经网络从Planck CMB图像推导出再电离的光学深度。
摘要：关于星系LambdaCDM模型的最不确定参数之一，即再电离的光学深度τre，迄今为止其最精确的值是从Planck高频仪器(HFI)的大尺度极化CMB功率谱中推断出来的。这些地图已被知道含有严重的非高斯系统效应污染，这些效应很难在分析模型中建模。因此，目前对τre的强约束是通过基于模拟数据的经验交叉谱似然函数得到的。在本文中，我们提出了一个基于神经网络 (NNs) 的无似然推断方法对HFI地图中的τre进行推断，这是首次完全基于神经网络的方法。神经网络不需要对数据进行分析描述，可以在最新的模拟数据上进行训练，结合来自多个通道的信息。通过使用高斯天空模拟和包含CMB、噪声和剩余仪器系统效应的Planck SRoll2模拟数据，我们在考虑不同设置的情况下训练、测试和验证NN模型。我们直接从4度像素分辨率的Q和U图上推断出τre的值，而不需要计算功率谱。在Planck数据上，我们得到τre_NN=0.0579±0.0082，与当前EE交叉谱结果相一致，但不确定性增大约30%，这可以归因于我们估计器本身的非最优性以及应用的重新训练过程所造成的偏差。虽然本文并没有改进对τre的当前宇宙学约束，但我们的分析代表了在真实数据上基于神经网络的推断方法的首次强有力应用，并凸显了它作为一种有前景的工具，用于对近期CMB实验的补充分析，尤其是针对实现原初引力波探测的当前挑战。
作者：Kevin Wolz, Nicoletta Krachmalnicoff, Luca Pagano
论文ID：2301.09634
分类：Cosmology and Nongalactic Astrophysics
分类简称：astro-ph.CO
提交时间：2023-08-02