Rellenado de mapas del fondo cósmico de microondas usando técnicas de aprendizaje automático

Abstract

El objetivo de este trabajo es el estudio de métodos de rellenado de mapas de anisotropías en temperatura del Fondo Cósmico de Microondas (FCM) basados en técnicas de aprendizaje automático. Debido a la existencia de emisiones astrofísicas ajenas al FCM en el rango de las microondas, los mapas de señales en el rango de las microondas deben ser tratados mediante métodos de separación de componentes para recuperar el FCM. Sin embargo, esto consigue eliminar perfectamente las contaminaciones, de manera que es necesario enmascarar algunas zonas del cielo donde estas son m´as intensas, como el plano galáctico. El inpainting consiste en el rellenado de estas zonas con valores coherentes con el resto del cielo. En este trabajo se han propuesto dos técnicas de inpainting basadas en modelos de redes neuronales convolucionales. Métodos similares han sido exitosamente probados sobre máscaras para fuentes puntuales, pero no para máscaras extensas como la que se utilizamos. Para uno de estos modelos, se ha realizado un estudio de las configuraciones ´optimas de sus hiperparámetros de entrenamiento. Las capacidades de ambos métodos se han comparado, tanto a nivel visual como a través del espectro de potencias y las matrices de correlación entre sus multipolos, con los resultados de uno de los métodos estándar para recuperación de grandes escalas del FCM, el inpainting difuso. Uno de las dos técnicas propuestas no sólo ha conseguido superar con creces la recuperación de escalas grandes ofrecida por el inpainting difuso, sino que ha mostrado posibilidades de mejora muy esperanzadoras.

The aim of this project is to study some inpainting methods for Cosmic Microwave Background (CMB) temperature anisotropy maps based on Machine Learning techniques. Due to the existence of astrophysical emissions besides the CMB in the microwaves frequency range, multi-frequency signal maps must be processed with component separation methods. However, these methods do not perfectly remove all the foreground emissions, and so the portions of the sky where these are the brightest must be masked. Inpainting consists on filling in these areas of the sky with values that are coherent with the rest of the sky. In this project two inpainting techniques based on convolutional neural networks have been proposed. Similar methods haven successfully tested for point sources masks, but not for large masks such as the one used in this work. For one of these models, a study of the optimal training hyperparameter configurations has been carried out. The inpainting capacities of both method have been compared, both visually and through the resulting power spectrum and the correlation matrix among its multipoles, to one of the standard methods as far as CMB large scale recovery is concerned, diffuse inpainting. Not only has one of the techniques improved the results compared to said method, but it also has shown very optimistic signs of possible enhancements.