基于强引力透镜的模拟暗物质搜寻中的域适应方法

尽管旨在识别暗物质的实验项目规模庞大，但关于其本质的线索却出奇地难以捉摸。虽然地面实验或许能够确定一种模型，但另一种同样有前景的方法是基于天体物理或宇宙学特征来识别暗物质。一种特别灵敏的方法依赖于暗物质子结构在星系-星系强透镜图像上产生的独特特征。已有研究详细探讨了利用机器学习提取这一信号。由于高质量强透镜数据有限，这些方法完全依赖于模拟。自然地，由于与真实仪器数据存在差异，在模拟上训练的机器学习模型在应用于真实数据时预期会损失精度。此时域适应可作为模拟与真实数据应用之间的重要桥梁。在本工作中，我们展示了将域适应技术应用于含暗物质子结构的强引力透镜数据的威力。我们通过不同复杂度的模拟数据集表明，域适应能显著缓解模型性能的下降。该技术可帮助领域专家构建并应用更好的机器学习模型，以从即将到来的巡天预期的强引力透镜数据中提取有用信息。