PSF 误估与星系种群偏差对利用 CNN 进行精密剪切测量的影响

遥远星系的弱引力透镜为探测暗能量提供了强有力的手段。本研究旨在调查卷积神经网络 (CNN) 在精密剪切估计中的应用。特别是，利用一个浅层 CNN，我们探讨了点扩散函数 (PSF) 误估和“星系种群偏差”（包括“分布偏差”和“形态偏差”）的影响，重点关注下一代巡天的精度要求。我们模拟了一群含噪声的盘状和椭圆星系，并采用了代表类 Euclid 巡天的 PSF。我们假设估计剪切与真实剪切之间存在线性关系，以此量化 CNN 达到的精度，并测量乘性 ($m$) 和加性 ($c$) 偏差。我们利用一种非常规的损失函数来减轻噪声偏差的影响，并在以下情况下测量 $m$ 和 $c$：(i) 使用错误的星系椭圆率分布或大小 - 星等关系，或错误的形态类型比例来描述星系种群（分布偏差）；(ii) 使用错误的星系光度轮廓（形态偏差）；或 (iii) 使用大小或椭圆率与其真实值存在偏移的 PSF（PSF 误估）。我们将结果与 Euclid 对 PSF 模型形状和大小的认知要求进行了比较。最后，我们概述了进一步的工作，以建立在精密剪切估计中 CNN 的巨大潜力。