Deep Learning 21cm Lightcones in 3D

Auteurs : Caroline Heneka

In: Bufano, F., Riggi, S., Sciacca, E., Schilliro, F. (eds) Machine Learning for Astrophysics. ML4Astro 2022. Astrophysics and Space Science Proceedings, vol 60. Springer, Cham (2023)

arXiv: 2311.17553v1 - DOI (astro-ph.CO)

5 pages, 2 figures. This is a preprint of the following chapter: Heneka, C., Deep Learning 21 cm Lightcones in 3D, published in Machine Learning for Astrophysics, ML4Astro 2022, edited by Bufano, F., Riggi, S., Sciacca, E., Schilliro, F., 2023, Springer, Cham. The final authenticated version is available online at: https://doi.org/10.1007/978-3-031-34167-0_34

Licence : NONEXCLUSIVE-DISTRIB 1.0

Résumé : Interferometric measurements of the 21cm signal are a prime example of the data-driven era in astrophysics we are entering with current and upcoming experiments. We showcase the use of deep networks that are tailored for the structure of 3D tomographic 21cm light-cones to firstly detect and characterise HI sources and to secondly directly infer global astrophysical and cosmological model parameters. We compare different architectures and highlight how 3D CNN architectures that mirror the data structure are the best-performing model.

Soumis à arXiv le 29 Nov. 2023

Explorez l'arbre d'article

Cliquez sur les nœuds de l'arborescence pour être redirigé vers un article donné et accéder à leurs résumés et assistant virtuel

Accédez également à nos Résumés, ou posez des questions sur cet article à notre Assistant IA.

Recherchez des articles similaires (en version bêta)

En cliquant sur le bouton ci-dessus, notre algorithme compare le titre et le résumé de cet article à tous les articles de la même catégorie arXiv que nous avons résumés, et trouve les plus proches. Vous pouvez le relancer de temps en temps : les résultats s'améliorent à mesure que notre base grandit.