تحلیل نقشه های تابش زمینه کیهانی دارای مقادیر متفاوت ناگوسی با استفاده از deepsphere

در طول دهه گذشته، مدل استاندارد کیهان شناسی با ارائه چند پارامتر اساسی پدیدار شد و ثابت کرد که مدل موفقی برای توصیف کیهان است. تحلیل و اندازه گیری های تابش زمینه کیهانی cmb، منبع بی نظیری برای آزمون مدل ها است و همچنین بر روی تخمین مقادیر پارامترهای کیهان شناسی با دقت بالا قید اعمال می کند. در این پژوهش، نقشه های تابش زمینه کیهانی با مقادیر متفاوت ناگوسی تولید کردیم و از آنها به عنوان ورودی مدل یادگیری عمیق deepsphere استفاده کردیم. این مدل بر اساس معماری مدل شبکه عصبی کانوولوشن کروی طراحی شده است و ورودی آن تصاویر با قالب کروی هستند که با استفاده از هیلپای، پکیج پایتونی هیلپیکس، ایجاد شدند. در این مقاله، نتایج مقایسه اعمال سه مدل گردآوری شده است: مدل شبکه عصبی کانوولوشن دو بعدی(2dcnn) که از منیفلدهای دو بعدی خارج شده از نمایش استوایی نقشه تابش زمینه کیهانی به عنوان نمونه یادگیری استفاده می کند، مدل ماشین بردار پشنبان(svm) که ورودی آن پیکسل های هیستوگرام و یا نمودار چگالی طیف توان هستند و مدل های fcn و cnn از deepsphere. نتایج حاکی از آن است که مدل deepsphere fcn با دقت بالایی میتواند نقشه های تابش زمینه کیهانی با میزان ناگوسی متفاوت را طبقه بندی کند.

Analysis of Cosmic Microwave Background maps containing different amount of Non-Gaussianity using DeepSphere

Over the past decade, the standard model of cosmology has emerged with relatively few parameters and it proven to be a huge success. Measurements and analysis of Cosmic Microwave Background (CMB) radiation offer a demanding test to constrain cosmological parameters to high accuracy. In this research, we generated CMB maps with different amount of Non-Gaussianity as inputs of the novel deep learning model, DeepSphere. In this platform which is based upon spherical Convolutional Neural Network (spherical-CNN), the inputs are the whole sky images on the sphere generated by HEALPix python wrapper, healpy. We compared the performance of DeepSphere to three baselines: a 2DCNN that takes 2D manifolds extracted from equatorial projection, and SVM classifier that takes pixel histograms or power spectral densities as inputs and DeepSphere FCN (Fully Connected Network) and CNN. According to the results, DeepSphere FCN had performed tremendously at discriminating the CMB maps containing different levels of Non-Gaussianity.