基于机器学习的国际LOFAR望远镜引力透镜识别方法
星系天体物理
2022-08-03 v1 天体物理仪器与方法
机器学习
摘要
我们提出了一种基于机器学习的新方法，用于从干涉测量数据中探测星系尺度的引力透镜，特别是由国际LOFAR望远镜（ILT）所获取的数据；该望远镜以150 MHz频率、350 mas角分辨率和90 uJy beam-1（1 sigma）灵敏度观测北天射电天空。我们开发并测试了若干卷积神经网络（Convolutional Neural Networks），以确定给定样本被分类为透镜或非透镜事件的概览与不确定性。通过在包含真实透镜与非透镜射电源源的模拟干涉成像数据集上训练和测试，我们发现可以恢复95.3%的透镜样本（真正率），而来自非透镜样本的污染仅为0.008%（假正率）。考虑预期的透镜概率后，透镜事件的预测样本纯度为92.2%。我们发现，当透镜图像之间的最大图像分离大于合成波束尺寸的3倍，且透镜图像总通量密度相当于至少20 sigma（点源）探测时，网络结构最为稳健。对于ILT，这对应于爱因斯坦半径大于0.5 arcsec、射电源族群150 MHz通量密度大于2 mJy的透镜样本。通过应用这些标准和我们的透镜探测算法，我们期望发现LOFAR两米巡天（LOFAR Two Metre Sky Survey）中所包含的绝大多数星系尺度引力透镜系统。
引用
@article{arxiv.2207.10698,
title = {A machine learning based approach to gravitational lens identification with the International LOFAR Telescope},
author = {S. Rezaei and J. P. McKean and M. Biehl and W. de Roo1 and A. Lafontaine},
journal= {arXiv preprint arXiv:2207.10698},
year = {2022}
}
备注
Accepted to be published by MNRAS