低信噪比莱曼α数据也能反推气体柱密度：CDE在KCWI原初星系团数据上给出延伸逾40角秒的纤维结构
核心概要
加州理工学院等团队训练了一个名为CDE的二维卷积神经网络，把低信噪比的莱曼α积分场光谱数据立方反推为视线积分的气体柱密度图。训练样本来自IllustrisTNG100模拟，经简化的莱曼α辐射转移计算并加入近似KCWI噪声。在模拟测试集上，CDE的线性均方根误差中位数为1.48×1020 cm^-2、图像结构相似度中位数为0.635，均优于逐像素幂律拟合的经验基线；用于CC2.2与Hyperion两个原初星系团的实际KCWI观测时，预测图出现延伸约40角秒以上的纤维状结构，但结果仍以所采用的模拟与辐射转移假设为条件。
深度剖析
莱曼α发射现在被用来直接反推弥散星系际介质的气体柱密度图，而不只是给出表面亮度图。 此前对宇宙网大尺度结构的认识主要依赖莱曼α吸收层析，即沿少数明亮背景源视线插值一维吸收谱；该方法在高红移处因明亮背景源稀少而迅速失效。 在1200个模拟测试子立方上，CDE的线性均方根误差中位数为1.48×1020 cm^-2、对数均方根误差中位数为0.206、图像结构相似度中位数为0.635；同一测试集上逐像素幂律拟合的经验模型对应值为2.29×1020 cm^-2、3.71和0.090。
网络把20个波长切片当作通道送入二维卷积，而不是做三维卷积。 三维卷积要多算一个维度，计算代价高；作者用架构几乎相同的二维与三维网络做对照，二维版本训练时间约缩短一个数量级而重建表现相当。 这一取舍的依据是数据的极端分辨率各向异性：z≈2.3处由谱线扩展函数换算的视线尺度比空间点扩散函数对应的横向尺度大约两个数量级。
训练集由模拟生成，并刻意复现KCWI的噪声与像素相关。 莱曼α信号极弱，噪声容易与真实发射混在一起，因此噪声建模决定了模拟与观测能否比较。 训练输入取自IllustrisTNG100经colt辐射转移得到的750个全场发射立方，再抽取6000个子立方，注入泊松噪声与读出噪声并模拟叠加过程；测试集为1200个子立方，与训练、验证集不共享同一批对向视图立方。
启示与展望
演示范围限于两个大质量原初星系团场CC2.2与Hyperion的KCWI观测，以及基于IllustrisTNG100和简化辐射转移的模拟数据；作者明确将其定位为概念验证的可行性研究，而非对星系际介质的确定性测量。
重建结果以所采用的模拟、辐射转移配置和观测噪声模型为条件；致密团块被系统性低估，弥散外围与最细结构受低信噪比限制难以恢复；训练与测试子立方来自同一批25个指向中心，可能使性能估计偏乐观；FABLE跨模拟测试只覆盖一个体积的筛选样本，未分离子网格物理、质量分辨率与环境各自的贡献。