Wiener Filter for cosmic microwave background maps using neural networks

Abstract

Estudiamos una red neuronal convolucional llamada WienerNet la cual aplica el filtro de Wiener a mapas del Fondo Cósmico de Radiación (FCR) con el objetivo de reducir el ruido presente en dichos mapas. Presentamos el funcionamiento de la red neuronal, y comparamos los resultados con los obtenidos al aplicar el filtro de Wiener con el método tradicional, que utiliza el gradiente conjugado. A su vez, mostramos la eficiencia de la aplicación de WienerNet respecto del método tradicional, el cual constituye un cuello de botella en el análisis de datos del FCR. Para este propósito, aplicamos la red neuronal a mapas del FCR con diferentes número de pixeles y diferentes modelos de ruido, y comparamos la eficiencia computacional en cada caso.

We studied a convolutional neural network called WienerNet which applies the Wiener Filter to Cosmic Microwave Background (CMB) maps, whose objective is to reduce the noise present in those maps. We present how the neural network works, and compare its results to those obtained when applying the wiener filter with the traditional method, which uses the conjugate gradient. Also, we show the efficiency of WienerNet with respect to the traditional method which constitutes a bottleneck in the data analysis of the CMB. For these purposes, we applied the neural network to CMB maps with different numbers of pixels and different noise models, and we compared the computational efficiency in each case.