HOLISMOKES——II. 利用卷积神经网络在Pan-STARRS中识别星系尺度强引力透镜
星系天体物理
2021-04-08 v2 宇宙学与河外天体物理
摘要
我们对北天Pan-STARRS 3pi巡天30 000平方度范围内宽分离(爱因斯坦半径>1.5")的星系尺度强透镜进行了系统搜寻。此类系统具有几天到几周的长时延，特别适合捕捉具有空间分辨多重像的强透镜超新星，并为早期超新星光谱学和宇宙距离测量开辟新视角。我们通过将透镜化的COSMOS源绘制到具有SDSS已知红移和速度弥散的透镜亮红星系的Pan-STARRS图像截图上，产生一组逼真模拟。首先，我们计算gri波段中模拟透镜的光度，并应用简单的星表级神经网络识别出1050207个具有与模拟相似颜色和亮度的星系样本。其次，我们在Pan-STARRS gri图像截图上训练卷积神经网络(CNN)对该样本进行分类，获得得分pCNN>0.5和>0.9的透镜候选集分别为105760和12382个。大量测试表明，CNN性能严重依赖于透镜模拟的设计和训练负样本的选择，而与网络架构关系不大。最后，我们对所有pCNN>0.9的星系进行目视检查，汇编出最终330个高质量新发现的透镜候选体，同时找回23个已发表系统。对子集而言，SDSS对透镜中心区域的谱学证明我们的方法正确识别了z~0.1-0.7的透镜LRG。五条光谱还显示出高红移背景源的可靠特征，Pan-STARRS成像确认其中一条为被z_d = 0.3155前景LRG强透镜化的z_s = 1.185四重成像红色源。未来，我们期望本文提出的高效自动化两步分类法经微小调整即可应用于LSST更深的gri堆叠数据。
引用
@article{arxiv.2004.13048,
title = {HOLISMOKES -- II. Identifying galaxy-scale strong gravitational lenses in Pan-STARRS using convolutional neural networks},
author = {R. Canameras and S. Schuldt and S. H. Suyu and S. Taubenberger and T. Meinhardt and L. Leal-Taixe and C. Lemon and K. Rojas and E. Savary},
journal= {arXiv preprint arXiv:2004.13048},
year = {2021}
}
备注
18 pages and 11 figures (plus appendix), version published in A&A