利用物理先验变分自编码器加速透镜类星体的发现与建模

强引力透镜类星体为宇宙膨胀速率、前景偏转器中的暗物质分布以及类星体宿主特征提供了有价值的见解。然而，由于非透镜天体的普遍存在，在天文图像中探测它们十分困难。为应对这一挑战，我们开发了一种名为 VariLens 的生成式深度学习模型，该模型基于物理先验变分自编码器构建。该模型无缝集成了三个核心模块：图像重建、目标分类和透镜建模，为强透镜分析提供了一种快速且全面的方法。VariLens 能够在仅使用单个 CPU 的几毫秒内，快速确定（1）一个天体是透镜系统的概率，以及（2）奇异等温椭球体质量模型的关键参数——包括爱因斯坦半径（$\theta_\mathrm{E}$）、透镜中心和椭圆率。将 VariLens 的估计值与 Subaru Hyper Suprime-Cam (HSC) 视场内 20 个已知透镜类星体的传统透镜建模结果进行直接比较，显示出良好的一致性，对于 $\theta_\mathrm{E}<3$ arcsecs 的系统，两者在 $2\sigma$ 范围内一致。为了识别新的透镜类星体候选者，我们从一个包含约 8000 万个源的初始样本开始，将 HSC 数据与来自各项调查的多波长信息相结合。在应用旨在定位 $z>1.5$ 源的光测预选后，候选者数量减少至 710,966 个。随后，VariLens 突出了 13,831 个源，每个源都显示出极高的透镜概率。对这些天体的视觉评估产生了 42 个有希望的候选者，等待光谱确认。这些结果突显了自动化深度学习流水线在大数据集中高效探测和建模强透镜的潜力。