利用循环与卷积神经网络分析强引力透镜的干涉观测数据
天体物理仪器与方法
2019-01-09 v1 宇宙学与河外天体物理
摘要
我们利用卷积神经网络（CNN）和循环神经网络（RNN）从干涉观测中估计强引力透镜的参数。我们探索了多种策略，发现最佳结果是在估计参数之前，先用基于 RNN 的结构对图像进行去卷积以去除脏束效应。为此，我们使用了 Putzky & Welling (2017) 提出的循环推理机（RIM）。这为传统的 CLEAN 算法提供了一种快速且自动化的替代方案。我们使用基于伯努利分布的变分推断获得估计参数的不确定性。我们用模拟测试数据集以及五组 ALMA 强透镜观测测试了网络的性能。对于观测到的 ALMA 数据，我们将估计值与在可见度空间运行的极大似然透镜建模方法所得值进行比较，发现结果一致。我们表明，结合执行图像去卷积的 RNN 结构与执行透镜分析的 CNN，可以以高精度估计透镜参数，其不确定性比极大似然方法所得者高不到两倍。包含 RIM 执行的去卷积过程，单次评估在单块 GPU 上约一秒完成，与 uv 平面上的极大似然透镜建模相比，分析速度提升超过六个数量级，同时计算资源消耗减少约八个数量级。我们得出结论，这对于当前设施（如 ALMA、JVLA）和未来大型干涉天文台（如 SKA）的毫米和厘米干涉数据分析是一种有前景的方法，在这些情况下 uv 平面分析可能困难或不可行。
引用
@article{arxiv.1808.00011,
title = {Analyzing interferometric observations of strong gravitational lenses with recurrent and convolutional neural networks},
author = {Warren R. Morningstar and Yashar D. Hezaveh and Laurence Perreault Levasseur and Roger D. Blandford and Philip J. Marshall and Patrick Putzky and Risa H. Wechsler},
journal= {arXiv preprint arXiv:1808.00011},
year = {2019}
}
备注
To be submitted to ApJ