利用图像分割从强引力透镜图像中提取子晕质量函数

在强透镜图像中探测子结构是一条有前景的揭示暗物质本质的途径。然而，这是一项具有挑战性的任务，传统上需要详细的透镜建模与源重建，分析每个系统需数周。我们利用机器学习规避对透镜与源建模的需求，并发展了一个神经网络，使用图像分割技术既定位图像中的子晕又确定其质量。该网络在具有单个位于爱因斯坦环附近的子晕、跨越宽广视源星等的图像上训练。网络随后能够分辨质量 $m\gtrsim 10^{8.5} M_{\odot}$ 的子晕。以这种方式训练使网络学习了光的引力透镜效应，且令人惊讶的是，它随后能够探测整个子结构族，即便其位置比训练所用更远离爱因斯坦环。在宽广的视源星等范围内，假阳性率约为每100幅图像3个假子晕，主要来自该信噪比下最轻的可探测子晕。凭借良好的精度与低假阳性率，对多幅图像中分配给每个子晕类的像素计数可测得子晕质量函数（SMF）。当在 $10^9M_{\odot}$--$10^{10} M_{\odot}$ 的三个质量 bin 上测量时，SMF斜率以50幅图像36%的误差被恢复，而对于具哈勃空间望远镜类噪声的1000幅图像，误差改善至10%。