优化机器学习方法以在Deep Lens Survey中发现强引力透镜

机器学习模型能通过减少所需人工检视量，极大改进成像巡天中强引力透镜的搜寻。本工作中，我们测试了以ResNetV2神经网络架构训练的监督、半监督和无监督学习算法在Deep Lens Survey（DLS）中高效寻找强引力透镜的能力。我们使用巡天中的星系图像，结合模拟的透镜源，作为训练数据集中的标注数据。我们发现，采用半监督学习并结合数据增强（训练中对图像应用的变换，如旋转）以及生成对抗网络（GAN）生成图像的模型表现最佳。相较于监督算法，它们在所有召回值下提供了5–10倍更好的精度。将表现最佳的模型应用于完整20 deg$^2$ DLS巡天，我们在模型前17个图像预测中找到了3个A级透镜候选体。当对模型预测的前$1$%（$\sim2500$幅图像）进行视觉检视时，这一数字增至9个A级和13个B级候选体。这相比当前较浅的广域巡天（如Dark Energy Survey）的透镜候选体面密度高出$\gtrsim10\times$，表明在即将到来的更深全天巡天中有大量透镜有待发现。这些结果表明，负责寻找强透镜系统的流水线可极为高效，使人力投入最小化。我们还额外报告了模型识别的两个A级候选体透镜性质的谱学确认，进一步验证了我们的方法。