基于深度学习在千度巡天中发现的新高质量强引力透镜候选体

我们报告了使用机器学习在千度巡天(Kilo Degree Survey)第4次数据发布中发现的新高质量星系尺度强引力透镜候选体。我们开发了一种新的卷积神经网络(CNN)分类器来搜索引力弧,遵循 \cite{2019MNRAS.484.3879P} 的方法并仅使用 $r-$ 波段图像。我们将该 CNN 应用于两个“预测样本”:一个亮红星系(LRG)样本和一个“亮星系”(BG)样本($r<21$)。我们发现了 286 个新的高概率候选体,其中 133 个来自 LRG 样本,153 个来自 BG 样本。随后,我们基于一个结合了 CNN 透镜似然值与人工目视检查得分(P 值)的综合值对这些候选体进行排序,并在此展示排名最高的 82 个 P 值 $\ge 0.5$ 的候选体。所有这些高质量候选体在中心红色偏转器周围都有明显的弧形或点状特征。此外,我们将 P 值 $\ge 0.7$ 的最佳 26 个天体定义为候选体的“黄金样本”。该样本预计包含极少的假阳性,因此适合后续观测。这些新的透镜候选体部分来自于本文相较于以往分析所采用的更广覆盖的天区,部分来自于更大的预测样本(也包括 BG 样本)。这些结果表明,机器学习工具在大型巡天中寻找强引力透镜方面极具前景,并且通过将预测样本扩展到 LRG 的标准假设之外,可以发现更多候选体。未来,我们计划将我们的 CNN 应用于下一代巡天数据,如大型综合巡天望远镜(Large Synoptic Survey Telescope)、Euclid 和中国空间站光学巡天(Chinese Space Station Optical Survey)。