基于 Mediatrix 纤维化方法的神经网络引力弧探测器

需要对正在进行和下一代的大视场成像巡天进行扫描以自动探测弧，这些巡天预计包含数千个强引力透镜系统。弧探测器也用于对弧丰度的预测和观测进行定量比较。为此已提出了几种算法，但机器学习方法在弧探测过程中仍是一个相对未探索的步骤。在这项工作中，我们引入了一种基于模式识别的新型弧探测器，它使用源自 Mediatrix 纤维化方法的一组形态学测量作为人工神经网络（ANN）的输入。我们展示了弧探测器应用的一个完整示例，首先在模拟弧上训练和验证 ANN，然后将代码应用于四个强引力透镜系统的哈勃空间望远镜（HST）图像。模拟弧对透镜和源使用了简单的设定，同时模拟了 HST 的观测条件。我们还在 ANN 分类的训练中考虑了来自无弧 HST 图像的物体样本。我们使用训练和验证过程来确定合适的 ANN 配置集，包括来自 Mediatrix 方法的输入组合，以最大化完整性同时保持较低的误报率。在模拟中，对于经过预选后输入到 ANN 的弧，该方法能够达到约 90% 的完整性。然而，在 HST 图像上，这一完整性下降到 $\sim$ 70%。误检测约为这些图像中检测到的物体的 3%。将 Mediatrix 测量与 ANN 相结合是弧探测模式识别阶段的一个有前景的工具。需要更真实的模拟和更大集合的真实系统来更好地训练和评估该方法的效率。