HOLISMOKES IX：从地基图像神经网络推断强透镜参数及不确定度
天体物理仪器与方法
2023-03-30 v3 宇宙学与河外天体物理
摘要
强引力透镜的建模是天体物理与宇宙学进一步应用的必要前提。尤其鉴于当前及未来巡天（如 Rubin 时空遗产巡天（LSST））中的大量探测，及时研究超越传统且耗时的马尔可夫链蒙特卡洛采样方法的自动化快速分析技术正逢其时。基于我们在 Schuldt 等人（2021b）中提出的卷积神经网络（CNN），我们在此呈现另一个 CNN，具体为残差神经网络（ResNet），它从地基成像数据预测奇异等温椭球（SIE）轮廓的五个质量参数（透镜中心 x 和 y、椭率 e_x 和 e_y、爱因斯坦半径 θ_E）以及外剪切（γ_{ext,1}、γ_{ext,2}）。与我们的 CNN 不同，该 ResNet 进一步预测每个参数的 1σ 不确定度。为训练网络，我们使用 Schuldt 等人（2021b）的改进流水线，以超主相机巡天（HSC）的真实星系图像和哈勃超深场分别作为透镜星系与背景源来模拟透镜图像。我们发现 SIE 参数总体恢复极好，而在预测外剪切上仍有差异。由我们的测试，最可能低图像分辨率是预测外剪切的限制因素。鉴于每系统毫秒级运行时间，我们的网络极适合及时预测透镜瞬变的下一次出现图像与时间延迟。因此，我们也呈现网络在这些量上相对于我们模拟的表现。我们的 ResNet 能在单 CPU 上以秒级分数预测 SIE 与剪切参数值，使我们能高效处理近未来海量预期的星系尺度透镜。
引用
@article{arxiv.2206.11279,
title = {HOLISMOKES -- IX. Neural network inference of strong-lens parameters and uncertainties from ground-based images},
author = {S. Schuldt and R. Cañameras and Y. Shu and S. H. Suyu and S. Taubenberger and T. Meinhardt and L. Leal-Taixé},
journal= {arXiv preprint arXiv:2206.11279},
year = {2023}
}
备注
17 pages, including 11 figures, published with A&A