Detection of the Sunyaev-Zeldovich effect through Deep Learning techniques

Abstract

ABSTRACT: The component separation of the microwave sky (i.e. recovering the different galactic foregrounds and the Cosmic Microwave Background, CMB) has important implications in both cosmology and astrophysics. It allows an accurate characterization of the CMB and the foregrounds, hence, a proper analysis of the cosmological parameters and tests of several astrophysical theories. In this work, we present a new approach to the detection of the Sunyaev-Zeldovich effect (a secondary anisotropy of the CMB photons caused by the intra-galaxy clusters electron gas) using convolutional neural networks, CNNs, on multi frequency maps of the experiments dedicated to the CMB detection. We want to set the basis for a more detailed work, comparing the efficacy and efficiency of this new detection method with the usual multi-frequency filters methods. In this project we have trained a CNN with a data set, from simulations of the CMB, SZ emission, and Gaussian noise. This first model has successfully identified the frequency dependence of the SZ, allowing its detection. However, we have noticed an strange behaviour between the output of the network and the flux of the sources. We have some theories about it.

RESUMEN: La separación de componentes en el cielo de microondas (es decir, recuperar los distintos fondos galácticos y la radiación de Fondo Cósmico de Microondas, FCM) tiene importantes implicaciones en la cosmología y astrofísica. Permite una precisa caracterización del FCM y de los distintos fondos, y con ello, un correcto análisis de los parámetros cosmológicos y la prueba de distintas teorías astrofísicas. En este trabajo, presentamos una nueva alternativa a la detección del efecto Sunyaev-Zeldovich (una anisotropía secundaria de los fotones del FCM causada por los electrones del gas intra cumular en los grandes cúmulos de galaxias) usando redes neuronales convolucionadas, CNNs (por sus siglas en inglés), en mapas multi-frecuencias de experimentos dedicados a la detección del FCM. Buscamos sentar las bases para un trabajo más detallado, comparando la eficiencia y eficacia de este nuevo método de detección con los usuales métodos de filtros multi-frecuencias. En este proyecto hemos entrenado una CNN, con simulaciones del FCM, la emisión SZ, y ruido Gaussiano. Este primer modelo ha logrado identificar la dependencia frecuencial del effecto SZ, permitiendo su detección. Sin embargo, hemos notado un extraño comportamiento entre la salida de la red y el flujo de las fuentes, aunque tenemos algunas teorías sobre ello.