A Deep Learning approach for the detection of point sources in the Cosmic Microwave Background

Abstract

ABSTRACT: The detection and subtraction of the point sources in the microwave sky has important implications in cosmology, since it allows to perform an accurate characterisation of the Cosmic Microwave Background and, thus, a measurement of the cosmological parameters. In this work, we present a new approach to the problem based on Deep Learning, where various convolutional neural networks are trained and tested on different scenarios. Besides, their performance is compared among them and to a two-dimensional matched filter. Our models achieve a better result than the matched filter in the case of Gaussian noise and CMB simulations. Furthermore, they present a remarkable performance when applied to realistic maps which include Galactic foregrounds at the 143 GHz Planck channel, particularly in regions far from the Galactic plane. Finally, we test our method on real data from the Planck experiment, obtaining promising results.

RESUMEN: Detectar y sustraer las fuentes puntuales en el cielo de microondas tiene importantes implicaciones en cosmología, ya que permite realizar una caracterización precisa del Fondo Cósmico de Microondas y, por tanto, una medición de los parámetros cosmológicos. En este trabajo, presentamos un nuevo método para la detección de fuentes puntuales basado en aprendizaje profundo, donde varias redes neuronales convolucionales son entrenadas y probadas en distintos escenarios. Además, su rendimiento es comparado entre sí y con un matched filter bidimensional. Nuestros modelos consiguen un mejor resultado que el matched filter en el caso de simulaciones de ruido Gaussiano y de fondo cósmico. Por otro lado, presentan un rendimiento destacable cuando se aplican a mapas realistas que incluyen foregrounds Galácticos en el canal de 143 GHz de Planck, particularmente en regiones lejanas al plano Galáctico. Finalmente, nuestro método se prueba en datos reales del experimento Planck, obteniendo resultados prometedores.