基于集成网络的多波段图像强透镜类星体高效识别

经历强透镜效应的类星体为宇宙膨胀率、前景偏转体中的暗物质剖面以及类星体宿主星系等相关课题提供了独特视角。遗憾的是，在天文图像中识别它们具有挑战性，因为它们被大量的非透镜体所淹没。为此，我们开发了一种新方法，通过集成前沿卷积网络（CNN）——例如 ResNet、Inception、NASNet、MobileNet、EfficientNet 和 RegNet——以及基于 Hyper Suprime-Cam（HSC）多波段图像的真实星系-类星体透镜模拟训练的视觉 transformer（ViT）。尽管单个模型在测试数据集上表现出色，达到了受试者工作特征曲线下面积 >97.3% 与中位假正率 3.6%，但它在真实数据中泛化困难，表现为每个分类器都挑出了大量伪源。通过对这些 CNN 与 ViT 取平均实现了显著改进，使杂质减少达 50 倍。随后，将 HSC 图像与 UKIRT、VISTA 和 unWISE 数据结合，我们检索约 6000 万源作为父样本，并在采用测光预选以发现爱因斯坦半径 $\theta_\mathrm{E}<5$ arcsec 的 $z>1.5$ 透镜类星体后将其缩减至 892,609。之后，集成分类器指出 3080 个高概率为透镜的源，我们对之进行视觉检验，得到 210 个待光谱确认的流行候选体。这些结果表明，自动化深度学习流水线在海量数据集中以极少人工视觉检验高效探测强透镜方面具有巨大潜力。