贝叶斯推断原始磁场参数在CMB中的球形图神经网络

于红博

摘要: 深度学习已成为现代宇宙学中一种变革性的方法论，为从复杂的天文数据集中提取有意义的物理信息提供了强大的工具。本文实现了一种新颖的贝叶斯图深度学习框架，用于直接从模拟的宇宙微波背景（CMB）地图中估计原始磁场（PMF）宇宙学的关键参数。我们的方法利用DeepSphere，这是一种球面卷积神经网络架构，专门设计用于通过HEALPix像素化尊重CMB数据的球面几何。为了超越确定性的点估计并实现健壮的不确定性量化，我们将贝叶斯神经网络（BNNs）集成到框架中，捕获反映模型在预测中的信心的随机和认知不确定性。所提出的方法表现出卓越的性能，对于磁参数估计的$R^{2}$分数超过0.89。我们通过后续培训技术，包括方差缩放和GPNormal，进一步获得了良好校准的不确定性估计。这一整合的DeepSphere-BNNs框架不仅能够从CMB地图中准确估计具有PMF贡献的参数，而且提供了可靠的不确定性量化，为在精密宇宙学时代进行强大的宇宙学推断提供了必要的工具。

更新时间: 2025-10-23 17:56:04

领域: astro-ph.CO,cs.AI,cs.LG

下载: http://arxiv.org/abs/2510.20795v1