HOLISMOKES——VII. 基于机器学习的强透镜 Ia 型超新星时延测量

哈勃常数（$H_0$）是宇宙学的基本参数之一，但关于本地造父变星距离阶梯与早期宇宙测量之间大于 4$\sigma$ 的张力存在激烈争论。强透镜 Ia 型超新星（LSNe Ia）是一种独立且直接的测量 $H_0$ 的方法，其中需要测量多个超新星（SN）像之间的时延。在这项工作中，我们提出了两种用于测量 LSNe Ia 时延的机器学习方法，即全连接神经网络（FCNN）和随机森林（RF）。为了训练 FCNN 和 RF，我们从理论 SN Ia 模型模拟了包含观测噪声和微透镜效应的模拟 LSNe Ia。我们通过使用基于经验 LSN Ia 光变曲线的最终测试集（未用于训练过程）来测试机器学习模型的泛化能力，我们发现只有 RF 提供了足够低的偏差以实现精确宇宙学；因此，对于真实系统的应用，RF 优于我们的 FCNN 方法。对于在 $i$ 波段使用单波段测光的 RF，在时延长于 15 天的情况下，假设后续观测具有 5$\sigma$ 点源深度 24.7、两天 cadence 并带有少量随机间隙、以及在观测者坐标系中于峰值前 8 至 10 天探测到 LSNe Ia，我们在所有研究情形中获得了优于 1% 的精度。在精度方面，在相同假设下，对于典型源红移 $\sim$0.8，我们在 $i$ 波段可以实现约 1.5 天的误差。为改进测量，我们发现使用三个波段（分别为每个波段训练一个 RF 之后再进行组合）有助于将误差降低至 $\sim$1.0 天。我们已公开释放本工作中使用的微透镜光谱与光变曲线。