利用不确定性感知深度神经网络量化强引力透镜势的结构

引力透镜是约束星系质量分布中亚结构的有力工具，无论这些亚结构源自暗物质子晕的存在，还是源于在星系演化过程中影响重子物质的物理机制。此类亚结构难以建模，传统的平滑建模方法要么忽略它，要么将其视为定位良好的大质量扰动体。在本工作中，我们提出一种深度学习方法，直接从图像中量化此类扰动的统计性质，其中仅考虑掩模内被透镜化的延展源特征，而无需任何透镜建模。我们的训练数据由模拟的透镜化图像组成，假设扰动的高斯随机场渗透于整体平滑的透镜势中，并且首次使用真实星系图像作为被透镜化的源。我们采用一种新颖的深度神经网络，该网络能够处理与训练数据集标签相关联的任意不确定性区间作为输入，提供概率分布作为输出，并采用复合损失函数。该方法不仅成功准确地估计了实际参数值，还以无监督方式（即无需访问实际真值）将预测的置信区间缩小了10%。我们的结果对透镜中质量扰动与源复杂亮度轮廓之间的固有简并具有不变性。因此，我们能够定量且稳健地量化数千个透镜的质量密度平滑程度（包括置信区间），并为后续科学研究提供一致的排序。