基于循环推断机的引力透镜像素化重建
天体物理仪器与方法
2022-07-05 v1 宇宙学与河外天体物理
摘要
对强引力透镜进行建模，以量化背景源图像中的畸变并重建前景透镜中的质量密度，传统上一直是一项困难的计算挑战。随着引力透镜图像质量的提升，充分利用其所含信息的任务在计算和算法上变得更加困难。在本工作中，我们使用基于循环推断机（Recurrent Inference Machine, RIM）的神经网络，同时以像素化图谱重建背景源的无畸变图像和透镜质量密度分布。我们提出的方法通过物理模型（光线追踪模拟）在给定数据下学习其似然优化过程，并由神经网络通过训练数据隐式学习的先验进行正则化，从而迭代地重建模型参数（源和密度图像素）。与更传统的参数化模型相比，所提方法具有显著更强的表达能力，能够重建复杂的质量分布，我们使用取自宇宙流体动力学模拟 IllustrisTNG 的真实透镜星系证明了这一点。
引用
@article{arxiv.2207.01073,
title = {Pixelated Reconstruction of Gravitational Lenses using Recurrent Inference Machines},
author = {Alexandre Adam and Laurence Perreault-Levasseur and Yashar Hezaveh},
journal= {arXiv preprint arXiv:2207.01073},
year = {2022}
}
备注
4+10 pages, 4+5 figures, accepted at the ICML 2022 Workshop on Machine Learning for Astrophysics