基于域适应与不确定性量化的强引力透镜系统神经网络预测
天体物理仪器与方法
2025-01-08 v3 宇宙学与河外天体物理
星系天体物理
人工智能
机器学习
摘要
对于来自现代及下一代宇宙巡天的复杂数据，强引力透镜建模在计算上非常昂贵。深度学习已成为寻找透镜并预测透镜参数（如爱因斯坦半径）的一种有前景的方法。均值-方差估计器是利用神经网络预测获取偶然（数据）不确定性的常用方法。然而，神经网络尚未被证明能在域外目标数据上表现良好——例如，在模拟数据上训练并应用于真实观测数据时。在这项工作中，我们首次研究了 MVE 与无监督域适应（UDA）在强透镜数据上结合使用的有效性。源域数据是无噪声的，而目标域数据包含模拟现代宇宙学巡天的噪声。我们发现，与不带 UDA 的 MVE 模型相比，将 UDA 添加到 MVE 中可使目标数据上的准确率提高约两倍。包含 UDA 还能够提供校准得多的偶然不确定性预测。这种方法的进步可能使 MVE 模型未来能够应用于真实观测数据。
引用
@article{arxiv.2411.03334,
title = {Neural Network Prediction of Strong Lensing Systems with Domain Adaptation and Uncertainty Quantification},
author = {Shrihan Agarwal and Aleksandra Ćiprijanović and Brian D. Nord},
journal= {arXiv preprint arXiv:2411.03334},
year = {2025}
}
备注
Accepted to the Machine Learning for Physical Sciences workshop at NeurIPS 2024; 24 pages, 2 figures, 4 tables