利用卷积神经网络在 DES 中寻找高红移强引力透镜
星系天体物理
2019-01-30 v2 天体物理仪器与方法
摘要
我们利用卷积神经网络在暗能量巡天（DES）第三年成像数据中搜索星系-星系强引力透镜。我们从红移 > 0.8 的 250,000 个模拟透镜生成包含真实视宁度、天空与散粒噪声的训练数据集。以模拟为引导，我们构建了包含 110 万 DES 源星的星表，其选源条件为 1.8 < g - i < 5、0.6 < g - r < 3、r_mag > 19、g_mag > 20 且 i_mag > 18.2。我们在由模拟透镜、模拟非透镜与真实源组成的训练集上训练了两套神经网络集成。我们利用神经网络为我们星表中每个源的图像打分（0 到 1 之间），并选取分数高于选定阈值者进行目视检查，得到 7,301 个星系的候选集。目视检查中我们将 84 个评为“可能”或“确定”为透镜。其中 4 个为先前已知的透镜或透镜候选。我们进一步检查了 9,428 个采用不同分数阈值的候选，识别出 4 个新候选。我们呈现 84 个新强透镜候选，由天文学家在数小时目视检查后选出。该星表所含高红移透镜数量与模拟预测相当。基于模拟，我们估计本样本包含了该成像数据与红移范围内大部分可发现的透镜。
引用
@article{arxiv.1811.03786,
title = {Finding high-redshift strong lenses in DES using convolutional neural networks},
author = {C. Jacobs and T. Collett and K. Glazebrook and C. McCarthy and A. K. Qin and T. M. C. Abbott and F. B. Abdalla and J. Annis and S. Avila and K. Bechtol and E. Bertin and D. Brooks and E. Buckley-Geer and D. L. Burke and A. Carnero Rosell and M. Carrasco Kind and J. Carretero and L. N. da Costa and C. Davis and J. De Vicente and S. Desai and H. T. Diehl and P. Doel and T. F. Eifler and B. Flaugher and J. Frieman and J. García- Bellido and E. Gaztanaga and D. W. Gerdes and D. A. Goldstein and D. Gruen and R. A. Gruendl and J. Gschwend and G. Gutierrez and W. G. Hartley and D. L. Hollowood and K. Honscheid and B. Hoyle and D. J. James and K. Kuehn and N. Kuropatkin and O. Lahav and T. S. Li and M. Lima and H. Lin and M. A. G. Maia and P. Martini and C. J. Miller and R. Miquel and B. Nord and A. A. Plazas and E. Sanchez and V. Scarpine and M. Schubnell and S. Serrano and I. Sevilla-Noarbe and M. Smith and M. Soares-Santos and F. Sobreira and E. Suchyta and M. E. C. Swanson and G. Tarle and V. Vikram and A. R. Walker and Y. Zhang and J. Zuntz},
journal= {arXiv preprint arXiv:1811.03786},
year = {2019}
}
备注
Accepted for publication in MNRAS