Estimativa de Massa de Agregados de Galáxias com Aprendizado Profundo II. Lente de Fundo Cósmico de Micro-ondas

Resumo Apresentamos uma nova aplicação de aprendizado profundo para reconstruir os mapas de temperatura do fundo cósmico de micro-ondas (CMB) a partir de imagens do céu de micro-ondas e para usar esses mapas reconstruídos para estimar as massas dos agregados de galáxias. Usamos uma rede neural de aprendizado profundo de avanço, mResUNet, para ambas as etapas da análise. O primeiro modelo de aprendizado profundo, mResUNet-I, é treinado para reconstruir mapas de CMB com supressão de ruído de fundo a partir de um conjunto de imagens simuladas do céu de micro-ondas que inclui sinais do CMB, foregrounds astrofísicos como galáxias empoeiradas e de rádio, ruído instrumental, bem como o próprio sinal térmico de Sunyaev–Zel’dovich do aglomerado. O segundo modelo de aprendizado profundo, mResUNet-II, é treinado para estimar as massas dos aglomerados a partir da assinatura de lente gravitacional nos mapas de CMB com supressão de ruído de fundo. Para níveis de ruído semelhantes ao SPTpol, o modelo mResUNet-II treinado recupera a massa para 10^4 amostras de aglomerados de galáxias com uma incerteza de 1 σ Δ M 200 c est / M 200 c est = 0.108 e 0.016 para a massa real do aglomerado M 200 c true = 10^14 M ⊙ e 8 × 10^14 M ⊙, respectivamente. Também testamos o potencial viés nas massas recuperadas, descobrindo que para um conjunto de 10^5 aglomerados o estimador recupera M 200 c est = 2.02 × 10^14 M ⊙, consistente com a entrada em nível de 1%. O limite superior de 2 σ no potencial viés está em nível de 3.5%.