3x2pt 透镜样本的分层 tomography 分箱改进：神经网络分类器与最优分箱分配

大型成像巡天，如时空遗产巡天（Legacy Survey of Space and Time），在结合星系成团性与弱引力透镜的 3x2pt 分析中依赖于测光红移与分层 tomography 分箱。本文中，我们提出一种针对星系透镜样本优化分层 tomography 分箱选择的方法。我们将 CosmoDC2 与 Buzzard 模拟星系星表划分为训练集与应用集，其中训练集以现实方式呈现非代表性，随后对应用集估计测光红移。星系被排序至覆盖相等红移间隔或共动距离间隔的红移箱中，或每个箱中含相等数目星系，并且我们考虑了这些方法的广义扩展。我们发现，初始分箱选择中等共动距离箱产生最高的暗能量品质因数，但分箱边界的选择可进一步优化。我们随后训练一个神经网络分类器，以识别极可能具有准确测光红移估计、或极可能被分入正确红移箱的星系。该神经网络分类器用于从样本中剔除较差的红移估计，并将结果与未剔除任何样本的情形进行比较。我们发现，神经网络分类器能够将品质因数提升约 13%，并能够挽回因使用非代表性训练样本而损失的品质因数中的约 25%。