HOLISMOKES IV: 基于深度学习的高效强引力透镜质量建模

对强引力透镜的质量分布进行建模通常是将其用作天体物理和宇宙学探针所必需的。鉴于即将到来的巡天预计将产生大量透镜系统($>10^5$),探索超越耗时传统MCMC技术的高效建模方法正逢其时。我们在星系尺度透镜图像上训练一个CNN来预测SIE质量模型的参数($x,y,e_x,e_y$ 和 $\theta_E$)。为训练网络,我们基于HSC巡天中透镜星系的真实观测以及HUDF中被透镜星系的真实观测来模拟图像。我们测试了不同的网络架构、不同数据集的影响以及使用不同 $\theta_E$ 输入分布的效果。我们发现CNN表现良好,并使用在 $\theta_E$ $>0.5"$ 均匀分布上训练的网络获得如下带 $1\sigma$ 弥散的中位数值:$\Delta x=(0.00^{+0.30}_{-0.30})"$, $\Delta y=(0.00^{+0.30}_{-0.29})"$, $\Delta \theta_E=(0.07^{+0.29}_{-0.12})"$, $\Delta e_x = -0.01^{+0.08}_{-0.09}$ 以及 $\Delta e_y = 0.00^{+0.08}_{-0.09}$。$\theta_E$ 中的偏差由小 $\theta_E$ 系统驱动。因此,当我们进一步基于网络输出预测多重透镜像位置和时延时,我们将网络应用于限制为 $\theta_E>0.8"$ 的样本。在此情况下,预测与输入透镜像位置之间的偏移对于 $x$ 和 $y$ 分别为 $(0.00_{-0.29}^{+0.29})"$ 和 $(0.00_{-0.31}^{+0.32})"$。对于预测与真实时延之间的分数差,我们得到 $0.04_{-0.05}^{+0.27}$。我们的CNN能够在单个CPU上以秒级预测SIE参数,并且利用输出我们可以自动化地预测像位置和时延,从而能够高效处理近未来预期的大量透镜探测。