利用卷积神经网络在暗能量巡天中搜寻强引力透镜系统

我们在暗能量巡天（DES）首次数据发布中，从一个经颜色筛选的包含18 745 029个亮红星系（LRG）的母样本中搜寻星系尺度的强引力透镜系统。我们的搜寻基于卷积神经网络（CNN）对我们的LRG选择进行打分，分值介于0（非透镜）与1（透镜）之间。我们的训练集是数据驱动的，即使用取自HST COSMOS图像的被透镜源，而透镜平面的光分布直接取自我们LRG的DES图像。共有76 582个截图获得高于0.9的分数。这些经过人工目视检查，产生了两个星表。第一个包含405个透镜候选体，其中90个呈现清晰的透镜特征和对应体，其余315个需要更多证据（如更高分辨率图像或光谱）才能确定。本次搜寻中共有186个候选体为全新发现。第二个星表包含539个环状星系候选体，将有助于训练CNN以对抗此类假阳性。对于90个最佳透镜候选体，我们进行了基于颜色的透镜与源光去混合，而未对数据拟合任何解析轮廓。该方法在去混合中非常高效，即便对于极紧凑天体和形态极复杂的天体也是如此。最后，从90个最佳透镜候选体中我们选出52个具有单一偏转体的系统，以测试自动化建模流程，该流程在可接受的算力时间内成功建模了样本的79%。