利用卷积神经网络在强引力透镜图像中直接探测暗物质子结构

强引力透镜是一种揭示暗物质本质的有前景的方法，通过发现图像中的扰动来实现，这些扰动无法在不用额外结构（无论是子晕——平滑透镜内的较小晕——还是视线晕）建模透镜星系时得到很好解释。我们给出了尝试从图像中推断子结构存在的结果，无需先减去平滑模型这一中间步骤，使用的是一个简单的卷积神经网络（CNN）。我们发现，当子晕质量位于主透镜星系内且 $\geq 5 \times 10^9$M$_{\odot}$ 时，该网络仅能以 $>75\%$ 的准确率推断其存在。由于质量较小的前景视线晕可产生与高质量子晕相同的效应，CNN 能够探测晕质量函数中更低的质量。若我们加入一群质量更小的子晕，准确率并未显著提升。鉴于 HST 和 Euclid 等实验有望在未来几年产生数千张高质量强透镜图像，拥有一种快速分析图像以识别值得进一步分析以确定单个子晕性质、同时避免对将给出零探测的图像耗费大量资源的方法，可能非常有用。通过理解灵敏度随子结构质量的依赖关系，零探测可与来自含子结构图像的信息结合，以约束冷暗物质图景，特别是若灵敏度能被推至更低质量。