CMB极化数据的非参数最大似然成分分离
摘要：减轻背景贡献对宇宙微波背景（CMB）极化测量的影响是现代CMB数据分析中的关键步骤，尤其是在探测大尺度CMB B模式时尤为重要。文献中描述了一系列基于不同假设的技术，旨在进行全面组分分离或仅清除CMB地图中的前景信号。在本研究中，我们在最大似然原理的统一框架下考虑了这个问题，假设每个频率的信号可以表示为天空模板的线性混合。我们讨论了各种附加假设对最终结果的影响。我们发现，在两种特定情况下可以完全解决组分分离问题：一是当我们知道所有组分的频率缩放或者能够用有限数量的未知参数正确建模它们，就像参数组分分离技术中的情况一样；二是当我们知道所有组分、前景和CMB的统计性质，或者能够用有限数量的参数正确建模它们，例如SMICA-like方法。然而，我们还表明，如果我们只是想要恢复清洁的CMB信号，那么要求性质更严格的假设就足够了。特别是，我们讨论了一种基于最大似然的“最少知情”的非参数方法。该方法只假设组分属性在天空方向上是独立的，至少在某个天空区域内，并且CMB协方差已知，并且只有有限数量的参数。我们将该方法应用于在即将进行的CMB实验的背景下恢复CMB B模式的极化信号，并将其性能与标准参数化方法进行比较...（删减）
作者：Cl''ement Leloup, Josquin Errard and Radek Stompor
论文ID：2308.03412
分类：Cosmology and Nongalactic Astrophysics
分类简称：astro-ph.CO
提交时间：2023-08-08