近日，我校理学院张鑫教授团队在应对中性氢强度映射巡天前景减除的关键问题上取得重要进展。该项研究指出，利用深度学习算法可以有效消除中性氢巡天前景减除中的望远镜系统效应，从而为暗能量的射电精确测量等重大科学任务的推进和完成扫清障碍。

　　东北大学引力波宇宙学与射电天文学研究中心博士后倪书磊和博士研究生高立扬在李毅超副教授和张鑫教授的指导下完成了该项研究。研究结果以《Eliminating Primary Beam Effect in Foreground Subtraction of Neutral Hydrogen Intensity Mapping Survey with Deep Learning》为题，发表在国际一流天文学期刊《天体物理期刊》（The Astrophysical Journal），受到该领域同行的广泛关注。

　　氢元素广泛存在于宇宙自黑暗时代以来的各个演化时期，经过宇宙学红移后的21厘米谱线承载着宇宙演化的重要信息，对21厘米谱线的观测是研究宇宙起源、演化以及解决诸多宇宙学重大问题的重要途径。在宇宙再电离之后，中性氢主要分布于星系中，是宇宙暗物质分布的重要示踪物。通过绘制中性氢在宇宙空间中的三维密度分布，探测暗物质空间分布功率谱，进而对诸多宇宙学问题进行观测限制，是未来射电波段宇宙学研究的重要观测手段。然而，遥远宇宙空间中的21厘米辐射非常微弱，并且含有极为明亮的前景辐射。如何提取微弱的中性氢信号，是中性氢强度映射巡天观测面临的重大挑战。

　　在当前的前景减除方法中，主要分为盲算法和非盲算法。非盲算法非常依赖于前景辐射谱的理论假设，在实际数据分析中的效果不佳。盲算法可以在一定程度上应对由于复杂的系统效应造成的前景减除困难，提高前景减除的准确性，但通常会造成严重的信号损失，并具有一定的随机性和不稳定性。在诸多系统效应用中，由望远镜复杂波束引起的系统效应，会大大增加前景辐射谱的复杂程度，是最为主要的系统效应。该项研究针对这一主要问题，尝试采用深度学习神经网络的方法来改善这一窘境。

　　结果表明，在简单天线波束模型的情况下，使用U-Net 深度学习网络恢复的中性氢功率谱一致性比单纯使PCA提高27.4%；在接近真实的天线波束模型情况下，使用U-Net深度学习网络恢复的中性氢功率谱的一致性比单纯使用PCA提高144.7%。由此可见，基于U-Net深度学习网络的前景减除方法可以有效地消除望远镜复杂波束引起的干扰信号，大大改善前景减除效果，为未来中性氢强度映射巡天观测前景减除提供了新的启示。

　　该研究课题得到了国家自然科学基金重点和面上项目、辽宁省“兴辽英才计划”领军人才项目、中央高校基本科研业务费项目、引智工程（111工程）项目、中国载人航天工程科学研究项目的资助。

　　来源：http://neunews.neu.edu.cn/2022/0827/c193a77518/page.htm