A6. روش‌هاي يادگيري ماشين در جستجوي ردپاي ريسمان‌هاي كيهاني

Machine learning algorithm in the search of cosmic strings

ميدان تصادفي CMB معدن ارزشمندي براي استخراج اطلاعات جالب فيزيكي هم از نقطه‌نظر نظريه و هم از منظر تحليل داده‌ها است. از جمله ردپاهاي موجود در اين ميدان تصادفي وجود نواقص توپولوژيكي نظير ريسمان‌هاي كيهاني است. در اين مقاله به منظور يافتن ردپاي ريسمان‌هاي كيهاني در ميدان تصادفي CMB از ويژگي‌هاي پردازش تصوير، خواص آماري و يادگيري ماشيني استفاده مي‌كنيم. در ابتدا مبتني بر نتايج ماهواره پلانك، نقشه CMB گوسي را شبيه‌سازي مي‌كنيم. سپس با كمك كُنش نامبو-گاتو نقشه‌هاي ريسمان‌هاي كيهاني كه بخشي از اثر پيوسته سكس-ولف است، توليد مي‌شوند. با برهم‌نهي مناسب نقشه‌هاي مذكور و درنظر گرفتن شرايط مختلف رصدي مانند اثرات نوفه و بيم دستگاه‌هاي مختلف مانند Planck، ACT، CMB-S4 I و CMB-S4 II ، نقشه نهايي استخراج مي‌گردد. معيارهاي مختلفي مانند مولفه‌هاي موجك و خمك تصوير، فيلترهاي پردازش تصوير و خواص آماري مانند تابع دونقطه‌اي وزندار و بدون‌وزن برروي نقشه‌ها اعمال مي‌شود. سپس نتايج با كمك الگوريتم‌هاي جنگل كاتوره‌اي و تقويت گراديان در يادگيري ماشين براي يافتن استراتژي بهينه در آشكارسازي ردپاي شبكه ريسمانهاي كيهاني تحليل مي‌شود. نتايج نشان مي‌دهد كه كمترين مقدار تنش شبكه ريسمان‌هاي كيهاني قابل آشكارسازي و قابل اندازه‌گيري در CMB بدون درنظر گرفتن نوفه و ساير عوامل سرراهي در نقشه‌اي با تفكيك زاويه‌اي به ترتيب برابر با و است.

CMB stochastic field is an important mine for inference interesting physical information from theoretical and data analysis points of view. An existence footprint in this field is topological defects such as cosmic strings. In this paper, to find the effect of cosmic strings in CMB, we use image processing features, statistical properties and machine learning method. At first, based on Planck project results, we simulate Gaussian CMB map. Then, map including cosmic strings network as part of ISW effect is produced. Using proper superposition of mentioned simulated maps considering different observational situations such as systematic noise and beam for various surveys, namely Planck, ACT, CMB-S4 I and II, final maps are prepared. Different measures such as curvelet and wavelet components, image processing filters and statistical properties such as weighted and un weighted Two-Point correlation function are applied on simulated maps. Therefore, previous results are investigated using random forest and gradient boost algorithms in machine learning, in order to find optimum strategy for cosmic string detection. Results demonstrated that, the minimum value of detectable and measureable cosmic string tension in CMB map with resolution without noise and other foreground contaminations are and , respectively.