Machine Learning-Driven Analysis of kSZ Maps to Predict CMB Optical Depth τ
Farshid Farhadi Khouzani, Abinash Kumar Shaw, Paul La Plante, Bryar Mustafa Shareef, Laxmi Gewali
即将测量的动力学Sunyaev-Zel'dovich(kSZ)效应,由宇宙微波背景(CMB)光子散射移动电子,为电离大纪元(EoR)提供了强大的再电离大纪元(EoR)的探测器。 kSZ 信号包含有关 EoR 的时间、持续时间和空间结构的关键信息。 精确测量CMB光学深度τ,这是表征宇宙集成电子密度的关键参数,将显着限制早期结构形成的模型。 然而,由于天体物理前景受到重大污染,弱 kSZ 信号很难从CMB观测中提取。 我们介绍了一种机器学习方法,从模拟 kSZ 地图中提取τ。 我们训练先进的机器学习模型,包括swin变压器,对kSZ信号进行高分辨率的半数值模拟。 为了有力地量化τ的预测不确定性,我们使用Laplace近似(LA)。 这种方法为模型权重的后验提供了高效且有原则的高斯近似值,从而实现了可靠的误差估计。 我们调查和比较了两种不同的应用模式:应用于预训练模型的后复合LA,以及在线LA,其中模型权重和超参数通过最大化边际可能性共同优化。 这种方法为严格限制τ及其相关的不确定性提供了一个框架,可以增强对即将到来的CMB调查的分析,如西蒙斯天文台和CMB-S4。
Upcoming measurements of the kinetic Sunyaev-Zel'dovich (kSZ) effect, which results from Cosmic Microwave Background (CMB) photons scattering off moving electrons, offer a powerful probe of the Epoch of Reionization (EoR). The kSZ signal contains key information about the timing, duration, and spatial structure of the EoR. A precise measurement of the CMB optical depth τ, a key parameter that characterizes the universe's integrated electron density, would significantly constrain models of early ...