Aplicación de Machine Learning a datos de la radiación del Fondo Cósmico de Microondas

Abstract

La sustracción de los foregrounds (o emisiones contaminantes) del cielo del Fondo Cósmico de Microondas tiene implicaciones importantes en la obtención del espectro de potencias tanto en temperatura como en polarización. En este trabajo nos centraremos en la polarización, donde el modo B primordial es de especial interés, ya que su detección proporcionaría una prueba directa de la teoría de la Inflación Cósmica. En este proyecto, se pretende utilizar una aproximación basada en machine learning para realizar esta limpieza. Concretamente, se va a utilizar un modelo basado en redes neuronales convolucionales, recogido en el artículo [1]. Esta red se va a entrenar para tres de los experimentos más importantes del CMB, tanto pasados como futuros: Planck, LiteBIRD y CMB-S4. Este modelo entrenado permite obtener resultados muy prometedores en simulaciones que pueden ayudar en el futuro a realizar el proceso de limpieza. Este proceso se puede realizar para un foreground variable sin necesidad de recalcular los parámetros, como en los métodos paramétricos de separación de componentes. En el trabajo mostramos que el conocimiento del modelo de foregrounds puede tener gran importancia en el proceso de sustracción.

The subtraction of foregrounds (or contaminant emissions) from the Cosmic Microwave Background sky have important implications in obtaining the power spectrum both in temperature and polarization. In this work we will focus on polarization, where the primordial B-mode is of special interest since its detection would provide direct evidence for the theory of Cosmic Inflation. In this project, it is intented to use an approach based on machine learning to perform this subtraction. Specifically, we will use a model based on convolutional neural networks, collected in the paper [1]. This network will be trained for three of the most important experiments of the CMB: Planck, LiteBIRD and CMB-S4. This trained model allows us to obtain very promising results in realistic simulations that can help in the future to carry out the cleaning process. This process can be performed for a variable foreground without the need to recalculate the parameters as in the parametric component separation models. In this work we show that the knowledge of the foreground model can have great importance in the subtraction process.