东北大学:机器学习在中性氢强度映射巡天数据处理中发挥关键性作用

时间:2022-08-25浏览:12656


期,我校澳门新莆京7906app官网张鑫教授团队在应对中性氢强度映射巡天前景减除的关键问题上取得重要进展。该项研究指出,利用深度学习算法可以有效消除中性氢巡天前景减除中的望远镜系统效应,从而为暗能量的射电精确测量等重大科学任务的推进和完成扫清障碍。

东北大学引力波宇宙学与射电天文学研究中心博士后倪书磊和博士研究生高立扬在李毅超副教授和张鑫教授的指导下完成了该项研究。研究结果以 《Eliminating Primary Beam Effect in Foreground Subtraction of Neutral Hydrogen Intensity Mapping Survey with Deep Learning》为题,发表在国际一流天文学期刊《天体物理期刊》(The Astrophysical Journal),受到该领域同行的广泛关注。

氢元素是宇宙中丰度最高的元素。中性氢原子的基态由于受到核自旋的影响而发生超精细结构劈裂,电子自旋与核自旋平行的状态比反平行的状态能量略高一些,二者之间跃迁会辐射或吸收频率为1420.4 MHz的光子,对应的波长为21厘米,称之为中性氢21厘米谱线。由于氢元素广泛存在于宇宙自黑暗时代以来的各个演化时期,经过宇宙学红移后的21厘米谱线承载着宇宙演化的重要信息,对21厘米谱线的观测是研究宇宙起源、演化以及解决诸多宇宙学重大问题的重要途径。在宇宙再电离之后,中性氢主要分布于星系中,是宇宙暗物质分布的重要示踪物。通过绘制中性氢在宇宙空间中的三维密度分布,探测暗物质空间分布功率谱,进而对诸多宇宙学问题进行观测限制,是未来射电波段宇宙学研究的重要观测手段。

然而,遥远宇宙空间中的21厘米辐射非常微弱。为了提高其巡天观测的信噪比,宇宙学中性氢巡天主要采用强度映射巡天观测模式,即观测一定体积内中性氢的总辐射强度。即使采用强度映射巡天观测模式,中性氢信号强度也远远低于近邻星系以及银河系内的连续谱辐射,这些连续谱辐射被称之为前景辐射。如何减除明亮的前景辐射,提取微弱的中性氢信号,是中性氢强度映射巡天观测面临的重大挑战。

在当前的前景减除方法中,主要分为盲算法和非盲算法。非盲算法非常依赖于前景辐射谱的理论假设,在实际数据分析中的效果不佳。盲算法是在实际观测数据分析中逐渐总结发展的前景减除方法,常用的盲算法包括主成分分析法(PCA)、快速独立成分分析法(Fast-ICA)、相关成分分析法(CCA)、高斯过程(Gaussian Process)等。盲算法可以在一定程度上应对由于复杂的系统效应造成的前景减除困难,提高前景减除的准确性,但通常会造成严重的信号损失,并具有一定的随机性和不稳定性。因此如何消除中性氢强度映射巡天观测中复杂系统效应,从而改善前景减除效果,是目前中性氢强度映射巡天亟需解决的重要问题。在诸多系统效应用中,由望远镜复杂波束引起的系统效应,会大大增加前景辐射谱的复杂程度,是最为主要的系统效应。该项研究针对这一主要问题,尝试采用深度学习神经网络的方法来改善这一窘境。

深度学习在复杂系统的特征识别方面具有独特的优势。该研究采用全卷积神经网络的一种深度学习网络,称之为U-Net网络。明亮的前景辐射通过射电望远镜的复杂波束会在观测天图上产生复杂干扰信号。该研究借助当前最接近真实的MeerKAT望远镜波束模型,通过模拟产生中性氢强度天图、前景天图以及复杂波束引起的干扰信号。这些模拟数据分别作为训练集、测试集和验证集,用以训练U-Net 深度学习网络,以识别干扰信号,消除系统效应,优化前景减除结果。

1U-Net 的网络结构。每个橙色的盒子对应着一个多通道的特征图和一系列的卷积。每个盒子的底部说明了通道的数量和输出的大小。深红色方框和深蓝色方框表示输入和输出。浅蓝色方框表示转置卷积时方框的连接部分。下箭头、右箭头和上箭头分别表示最大池化、跳过连接和转置卷积。最后一个箭头操作表示一个1×1×1的卷积,用于将64 个特征映射到最终的三维数据。


研究发现,在简单天线波束模型下,目前实际数据分析采用的PCA前景减除方法可以有效地减除前景。然而,当引入接近真实的复杂波束模型时,PCA前景减除方法效果不理想。U-Net深度学习网络可以极大地改善其结果。该研究通过比较前景减除后的中性氢功率谱与输入的中性氢功率谱模型的一致性,进一步检验了PCA U-Net 深度学习方法对中性氢信号的恢复效果。

2: 经过PCA 前景减除的天图和输入中性氢模型信号的二维自相关功率谱比。(a)显示为引入简单波束模型的结果,(b)显示为引入接近真实波束模型的结果。白色条纹是由于对数分选在线性k空间中不均匀造成的。


3U-Net 前景减除后的天图和输入中性氢模型信号的二维自相关功率谱比。(a)显示为引入简单波束模型的结果,(b)显示为引入接近真实波束模型的结果。白色条纹是由于对数分选在线性k空间中不均匀造成的。


结果表明,在简单天线波束模型的情况下,使用U-Net 深度学习网络恢复的中性氢功率谱一致性比单纯使PCA提高27.4%;在接近真实的天线波束模型情况下,使用U-Net深度学习网络恢复的中性氢功率谱的一致性比单纯使用PCA提高144.7%。由此可见,基于U-Net深度学习网络的前景减除方法可以有效地消除望远镜复杂波束引起的干扰信号,大大改善前景减除效果,为未来中性氢强度映射巡天观测前景减除提供了新的启示。

该研究课题得到了国家自然科学基金重点和面上项目、辽宁省“兴辽英才计划”领军人才项目、中央高校基本科研业务费项目、引智工程(111工程)项目、中国载人航天工程科学研究项目的资助。


倪书磊,东北大学博士后,研究方向为宇宙学和射电天文学。主要关注和开展的研究课题包括深度学习在宇宙学和天文学中的应用、早期宇宙反弹暴涨模型、CMB角功率谱大尺度异常和原初引力波张标比等。


李毅超,东北大学副教授,研究方向为中性氢大尺度结构巡天、快速射电暴、深度学习等。长期从事中性氢强度映射巡天观测数据的分析工作,目前为MeerKAT中性氢强度映射巡天以及FAST中性氢巡天计划核心成员。2021年入职东北大学澳门新莆京7906app官网,现为东北大学“海外百人计划”特聘副教授。


张鑫,东北大学教授,博士生导师,国家级人才计划入选者,中科院理论物理所-东北大学彭桓武科教合作中心主任,东北大学引力波宇宙学与射电天文学研究中心主任,中国引力与相对论天体物理学会副理事长。研究领域为宇宙学,在暗能量宇宙学、暴胀宇宙学、中微子物理、引力波天文学、射电天文学、21厘米宇宙学等多个方向长期开展研究工作,在Nature CommunicationsScience BulletinSCPMAPRDEPJCJCAPApJMNRAS等期刊发表论文170余篇,被引用 7000 余次,H指数46。曾获得国务院政府特殊津贴,入选国家级人才计划、教育部新世纪优秀人才、辽宁省“兴辽英才计划”领军人才、爱思唯尔高被引学者,获得国家优秀青年基金项目资助。曾获辽宁省自然科学二等奖,指导本科生获得“挑战杯”竞赛全国一等奖。担任《中国科学:物理学 力学 天文学》、SCIENCE CHINA Physics, Mechanics & AstronomyChinese Physics CUniverse等期刊编委。



附相关论文链接:

 “Eliminating Primary Beam Effect in Foreground Subtraction of Neutral Hydrogen Intensity Mapping Survey with Deep Learning”, Shulei Ni, Yichao Li, Li-Yang Gao, Xin Zhang, Astrophys. J. 934 (2022) no.1, 83

https://iopscience.iop.org/article/10.3847/1538-4357/ac7a34


The Astrophysical Journal》杂志为天文与天体物理领域最具有国际影响力的学术期刊之一,影响因子为5.521,由美国天文学会于1895年创办。该杂志发表世界上最具原创性的天体物理前沿研究成果,著名的物理学家、诺贝尔奖获得者钱德拉塞卡曾长期担任杂志主编。20世纪以来大多数天文学领域诺贝尔物理学奖的成果都发表在《The Astrophysical Journal》上,对全世界的天文学研究产生了持续重大的影响。


供稿人:倪书磊,高立扬