基于卷积神经网络的强引力透镜快速自动化分析

量化强引力透镜引起的图像畸变并估计透镜星系中相应的物质分布，主要通过对观测进行最大似然建模来完成。这通常是一个耗时且耗费资源的过程，需要复杂的透镜代码、若干数据准备步骤，以及在使用下坡优化器的计算昂贵过程中寻找最大似然模型参数。对单个透镜的精确分析可能花费长达数周时间，并且需要专门专家的投入。预计即将到来的地面和空间巡天将发现数以万计的新透镜，其分析可能是一项具有挑战性的任务。在此，我们报告使用深度卷积神经网络以极快且自动化的方式准确估计透镜参数，从而规避最大似然方法所面临的困难。我们还展示，利用多滤光成像数据的独立成分分析，可以使透镜去除快速且自动化。我们的网络能够恢复奇异等温椭球（Singular Isothermal Ellipsoid）密度轮廓的参数（该轮廓常用于建模强透镜系统），其精度可与复杂模型的误差相当，但速度快约一千万倍：在单个图形处理单元上约1秒可处理100个系统。这些网络可为非专家提供获取大样本数据透镜参数的途径。我们的结果表明，神经网络可以成为天体物理学中常用的最大似然程序的一种强大且快速的替代方案，从根本上改变传统的数据缩减与分析方法。