Exploring the Early Universe with Deep Learning
Emmanuel de Salis, Massimo De Santis, Davide Piras, Sambit K. Giri, Michele Bianco, Nicolas Cerardi, Philipp Denzel, Merve Selcuk-Simsek, Kelley M. Hess, M. Carmen Toribio, Franz Kirsten, Hatem Ghorbel
氢是我们宇宙中最丰富的元素。 第一代恒星和星系产生了电离氢气的光子,推动了一种称为电离大纪元(EoR)的宇宙学事件。 即将推出的平方公里阵列天文台(SKAO)将绘制这个时代中性氢的分布图,有助于研究这些第一代物体的特性。 提取天体物理信息将具有挑战性,因为SKAO将产生大量数据,其中氢信号将被不受欢迎的前景污染和仪器系统污染。 为了解决这个问题,我们开发了最新的深度学习技术,从SKAO预期的氢信号的2D功率光谱中提取信息。 我们将一系列神经网络模型应用于这些测量,并量化它们预测宇宙氢再电离历史的能力,这与早期光子源的数量和效率不断增加有关。 我们表明,早期宇宙的研究受益于现代深度学习技术。 特别是,我们证明专用机器学习算法在恢复再电化历史时平均可以达到0.95 R^2以上的分数。 这可以实现对早期宇宙中结构形成的准确和精确的宇宙学和天体物理推断。
Hydrogen is the most abundant element in our Universe. The first generation of stars and galaxies produced photons that ionized hydrogen gas, driving a cosmological event known as the Epoch of Reionization (EoR). The upcoming Square Kilometre Array Observatory (SKAO) will map the distribution of neutral hydrogen during this era, aiding in the study of the properties of these first-generation objects. Extracting astrophysical information will be challenging, as SKAO will produce a tremendous amou...