源形态对强引力透镜中子晕可探测性的影响

我们分析了一个卷积神经网络在源光形态日益复杂的情况下，识别强星系 - 星系透镜中单个暗物质子晕透镜信号的能力。我们模拟了一个包含 800,000 张强透镜图像的平衡数据集，这些图像受到或未受到单个子晕的扰动，子晕的维里质量范围为 $10^{7.5} M_{\odot} - 10^{11}M_{\odot}$，并通过源平面中存在的 Sersic 团块数量（从 1 到 5）来表征源的复杂性。利用 ResNet50 架构，我们训练该网络将图像分类为受扰动或未受扰动。我们发现，即使对于复杂源，该网络也能探测到足够低质量的子晕以区分不同的暗物质模型，且当团块数量超过 3 个时，源复杂性对准确率的影响很小。当源中的团块较为致密时，模型的分类置信度更高，但对其空间分布并不敏感。我们还测试了数据分辨率的影响，发现即使在类似于自然视宁度的条件下，模型在信噪比最高的数据集中仍能达到 74% 的准确率，尽管这一结果主要由高质量子晕主导。其对抗分辨率变化的鲁棒性归因于模型学习到了受扰动透镜中的流量比异常，而这些异常在低分辨率数据中得以保留。