arXiv 2403.021152024-03-24astro-ph.CO

使用神经网络约束原初非高斯性

Constraining primordial non-Gaussianity using Neural Networks

Chandan G. Nagarajappa, Yin-Zhe Ma

备注：: 12 pages, 13 figures
发表信息：: Monthly Notices of the Royal Astronomical Society, 529, 3289-3300 (2024)
DOI：: 10.1093/mnras/stae679

阅读 PDF

arXiv 页面 ↗HTML 原文 ↗

AI总结：

本研究提出利用卷积神经网络直接从CMB图中估计原初非高斯性参数$f_{\ m NL}$，相比传统统计方法显著降低了复杂度，并在模拟数据上验证了估计的无偏性，为CMB图像的宇宙学参数估计提供了新途径。

摘要：

我们提出了一种新方法，直接从宇宙微波背景（CMB）图中估计原初非高斯性参数（$f_{\ m NL}$）的值，使用的是卷积神经网络（CNN）。传统方法依赖复杂的统计技术，而本研究提出了一种更简单的方法，利用神经网络来估计$f_{\ m NL}$。该神经网络模型在已知$f_{\ m NL}$值范围为$[-50,50]$的模拟CMB图上进行训练，并使用各种指标评估其性能。结果表明，与传统方法相比，该方法能够从CMB图中准确估计$f_{\ m NL}$值，且复杂度显著降低。使用$500$个验证数据，$f^{\ m output}_{\ m NL}$相对于$f^{\ m input}_{\ m NL}$的图可以拟合为$y=ax+b$，其中$a=0.980^{+0.098}_{-0.102}$，$b=0.277^{+0.098}_{-0.101}$，表明原初非高斯性估计的无偏性。结果表明，CNN技术可以广泛应用于直接从CMB图像中进行其他宇宙学参数估计。

英文摘要：

We present a novel approach to estimate the value of primordial non-Gaussianity ($f_{\rm NL}$) parameter directly from the Cosmic Microwave Background (CMB) maps using a convolutional neural network (CNN). While traditional methods rely on complex statistical techniques, this study proposes a simpler approach that employs a neural network to estimate $f_{\rm NL}$. The neural network model is trained on simulated CMB maps with known $f_{\rm NL}$ in range of $[-50,50]$, and its performance is evaluated using various metrics. The results indicate that the proposed approach can accurately estimate $f_{\rm NL}$ values from CMB maps with a significant reduction in complexity compared to traditional methods. With $500$ validation data, the $f^{\rm output}_{\rm NL}$ against $f^{\rm input}_{\rm NL}$ graph can be fitted as $y=ax+b$, where $a=0.980^{+0.098}_{-0.102}$ and $b=0.277^{+0.098}_{-0.101}$, indicating the unbiasedness of the primordial non-Gaussianity estimation. The results indicate that the CNN technique can be widely applied to other cosmological parameter estimation directly from CMB images.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

AI总结：

摘要：

英文摘要：

相关论文