利用卷积神经网络在千度巡天中寻找强引力透镜

新一代巡天将产生的数据量需要自动分类方法来选择和分析源。对于强引力透镜的搜索确实如此，其中可探测透镜源的种群仅占全部源种群的极小一部分。我们首次应用基于卷积神经网络（CNN）的形态学分类方法，在当前一代光学广角巡天之一——千度巡天（KiDS）的 $255$ 平方度区域中识别强引力透镜。CNN 目前被优化为识别爱因斯坦半径 $\gtrsim 1.4$ 角秒的透镜，约为 KiDS 中 $r$ 波段视宁度的两倍。在 $21789$ 个颜色-星等选定的亮红巨星系（LRG）样本中（其中三个是已知透镜），CNN 检索出 761 个强透镜候选体，并正确分类了三个已知透镜中的两个。被错误分类的透镜的爱因斯坦半径低于算法训练的范围。我们通过联合人工检查进一步筛选出最可靠的 56 个候选体。我们展示并讨论了这一最终样本。基于我们结果的保守估计表明，使用我们提出的方法，在 KiDS 巡天完成时应有可能找到约 100 个位于 $z \lsim 0.4$ 处的大质量 LRG 星系透镜。在最乐观的情况下，当放宽颜色-星等选择并训练 CNN 识别更小图像间距的透镜系统时，这一数字可以大幅增长（最多约 2400 个透镜）。