A1. ماشين‌ها در آسمان: در جستجوي شبكه ريسمان‌هاي كيهاني

Machines in the sky: Looking for cosmic strings network

روشهاي بهينه پردازش تصوير كمك شاياني به تشخيص ويژگي‌هاي عجيب در داده‌هاي (2+1) بُعدي مي‌كنند. در اين ميان استفاده از يادگيري ماشين مانند الگوريتم‌هاي جنگل كاتوره‌اي و تقويت گراديان در بالا بردن سرعت پردازش و بهتر كردن نتايج جستجو مي تواند بسيار موثر باشد. ما در اين مقاله با كمك اين ابزار به جستجوي ريسمان هاي كيهاني مي پردازيم. در كيهانشناسي نظري وجود شبكه اي از ريسمانهاي كيهاني پيش‌بيني مي‌شود كه از مهمترين ردپاهاي آن اثرات خط‌گون بر روي نقشه تابش زمينه كيهاني است. در اين كار پس از شبيه‌سازي اثر شبكه ريسمانهاي كيهاني شرايط مختلف رصدي نيز مانند اثرات نوفه و بيم دستگاه‌هاي مختلف كه هم اكنون و در آينده قرار است در اين حوزه مورد استفاده قرار گيرند، به نقشه نهايي اضافه مي‌شود تا شبيه‌سازي به واقعيت نزديك تر شود.سپس با روشهاي مختلفي مانند اجزاي موجك و خمك، فيلترهاي پردازش تصوير و خواص آماري مانند تابع دونقطه‌اي وزندار و بدون‌وزن، نقشه را به بردار ويژگي تبديل مي‌كنيم و سپس نتايج را با كمك الگوريتم‌هاي جنگل كاتوره‌اي و تقويت گراديان در يادگيري ماشين تحليل مي كنيم. با تحليل ويژگي‌هاي استفاده شده درمي‌يابيم كه مؤلفه هفتم خمك و ممان دوم حساس‌ترين معيارها براي تشخيص ردپاي شبكه ريسمانهاي كيهاني بودند. نتايج نشان مي‌دهد كه كمترين مقدار تنش ريسمان‌هاي كيهاني قابل آشكارسازي در حالت بدون نوفه در نقشه‌اي با تفكيك زاويه‌اي برابر با است.

Optimum image processing techniques are of great help in distinguishing exotic features in (2+1)-dimensional datasets. Exploiting the potential of machine-learning methods, such as random forest and gradient boosting, would further improve the results. In this work we apply these methods in the search of cosmic strings. Theoretical cosmology predicts a network of cosmic strings with unique line-like footprints in the cosmic microwave background (CMB) data. We make simulations of CMB data with string contribution of various levels, and include realistic experimental effects, such as beam and noise, for various current and future setups. The image is compressed into feature vectors by passing through several image-processing and statistical analysis layers. These vectors are then fed to random forest and gradient boost algorithms. We find that the seventh curvelet component and the second moment of the data are the most sensitive measures to the imprints of cosmic strings. Our method finds the minimum detectable cosmic string tension to be for a noise-and foreground-free CMB map with resolution.