强引力透镜建模中非物理源重建的自动识别
星系天体物理
2021-02-17 v2
摘要
随着下一代巡天的出现以及发现大量强引力透镜系统的预期，人们正投入大量努力开发处理数据的自动化流程。强星系-星系透镜系统数量增加几个数量级，对传统建模技术而言是不可逾越的挑战。尽管机器学习技术已显著提高了透镜建模的效率，透镜质量轮廓的参数化建模仍是处理复杂透镜系统的重要工具。特别是，源重建方法对于应对高红移源的不规则结构是必要的。在本文中，我们考虑一个卷积神经网络（CNN），其分析半解析方法的输出，后者对透镜质量进行参数化建模并线性重建源面亮度分布。我们表明，由错误初始化的透镜模型所产生的非物理源重建可被我们的 CNN 有效捕获。此外，CNN 预测可用于自动重新初始化参数化透镜模型，从而避免非物理源重建。该 CNN 在透镜 S\'ersic 源重建上训练，以精度和召回率准确分类同类型源重建。同一 CNN 在未重新训练的情况下，对更复杂透镜 HUDF 源重建进行分类时达到和。利用 CNN 预测重新初始化透镜建模流程，我们使非物理源重建的出现减少了 69%。这种 CNN 与参数化建模结合的方法可极大改善透镜建模的自动化。
引用
@article{arxiv.2012.04665,
title = {Auto-identification of unphysical source reconstructions in strong gravitational lens modelling},
author = {Jacob Maresca and Simon Dye and Nan Li},
journal= {arXiv preprint arXiv:2012.04665},
year = {2021}
}
备注
13 pages, 13 figures, accepted for publication in MNRAS