Key points are not available for this paper at this time.
LOFAR, HERA, SKA와 같은 차세대 전파 실험은 재이온화 시대(EoR)를 탐구하고 다음 10년 이내에 우주 21cm 신호의 직접적인 첫 번째 검출을 주장할 것으로 예상됩니다. 데이터 양은 방대할 것이며, 따라서 초기 우주와 은하 형성에 대한 우리의 이해를 혁신적으로 변화시킬 수 있습니다. 그러나 EoR의 수치 모델링은 베이esian 매개변수 추출에 대해 prohibitively 비쌀 수 있으며, 들어오는 데이터로부터 정보를 최적으로 추출하는 방법은 현재 불분명합니다. 비용이 많이 드는 시뮬레이션을 우회하는 방법으로 최근에는 빠른 모델 평가를 위한 에뮬레이션 기술이 제안되었습니다. 우리는 블라인드 에뮬레이션 기술로서 인공 신경망의 사용을 고려합니다. 우리는 네트워크 예측의 품질과 매개변수 검색의 결과로 얻어진 최적 적합 값에 대한 훈련 기간과 훈련 세트 크기의 영향을 연구합니다. 우리의 에뮬레이션 기술과 21CMMC를 사용한 동등한 분석 간의 직접적인 비교를 진행합니다. 우리는 전체 수치 복사 전이 코드의 범위 내에서 단 100개의 모델 평가로 구성된 훈련 세트를 사용하여 우리의 네트워크가 우수한 예측 능력을 가지고 있음을 발견했습니다.
Schmit et al. (금요일,)은 이 질문을 연구했습니다.