强引力透镜测量的域适应方法

即将开展的巡天观测预计将发现约 $10^5$ 数量级的星系尺度强引力透镜，这使得深度学习方法在透镜数据分析中成为必要。目前，真实的透镜数据不足以训练深度学习算法，但若仅在模拟数据上训练，会导致在真实数据上表现不佳。域适应（Domain Adaptation）或能弥合模拟数据集与真实数据集之间的差距。我们利用域适应方法，在不同观测真实度水平的模拟星系尺度引力透镜图像中估计爱因斯坦半径（$\Theta_E$）。我们评估了两种域适应技术——域对抗神经网络（DANN）和最大均值差异（MMD）。我们在模拟透镜的源域上训练，并将其应用于模拟以模仿暗能量巡天（DES）噪声条件的透镜目标域。我们表明，两种域适应技术均能显著提升模型在更复杂目标域数据集上的性能。本工作是域适应在强透镜成像分析回归任务中的首次应用。我们的结果展示了利用域适应通过训练于模拟数据的深度神经网络来分析未来巡天数据的潜力。