作为强引力透镜探测器的深度卷积神经网络

未来具有高分辨率成像的大规模巡天将为我们提供数十万个新的强星系尺度透镜。然而，这些强透镜系统将包含在海量数据中，超出了人类专家以无偏方式进行目视分类的能力。我们提出了一种基于卷积神经网络（CNN）的新型强引力透镜搜寻器。该方法应用于由 Bologna Lens Factory 组织的强透镜挑战赛，在空间数据集和地面数据集上分别获得了第一名和第三名。目标是找到一种适用于地面和空间巡天的全自动透镜搜寻器，以最大限度地减少人工检查。我们比较了我们的 CNN 架构及其三种新变体（“不变性”、“视图”和“残差”）在挑战赛模拟数据上的结果。每种方法分别在 17,000 张模拟图像上独立训练 5 次，使用 3,000 张图像进行交叉验证，然后应用于 100,000 张图像的测试集。我们使用了两种不同的评估指标：接收者操作特征曲线下面积（AUC）分数和零假阳性下的召回率（$\mathrm{Recall}_{\mathrm{0FP}}$）。对于地面数据，我们的最佳方法达到了 0.977 的 AUC 分数和 0.50 的 $\mathrm{Recall}_{\mathrm{0FP}}$。对于空间数据，我们的最佳方法达到了 0.940 的 AUC 分数和 0.32 的 $\mathrm{Recall}_{\mathrm{0FP}}$。在空间数据上，向 CNN 架构添加二面体不变性降低了总体分数，但实现了更高的无污染召回率。我们发现，使用由 5 个 CNN 组成的委员会能在零污染下产生最佳召回率，并且其 AUC 分数始终优于单个 CNN。我们发现，对于我们 CNN 透镜搜寻器的每一种变体，我们取得的 AUC 分数都在 6% 的误差范围内接近 1。