基于神经似然比估计从 HST 强透镜数据测量子晕有效密度斜率

借助强引力透镜图像检验子晕性质可揭示暗物质的本质。从即将开展的大尺度巡天中，我们预期会发现数量级更多的强透镜系统可用于子晕研究。为从大量强透镜图像中最优提取信息，机器学习提供了传统分析方法无法实现的高效分析途径，但机器学习技术应用于真实观测仍有限。我们基于先前使用神经似然比估计器约束子晕有效密度斜率并证明该方法在真实强透镜观测上可行性的工作。为此，我们对正向模拟流水线进行了显著改进，并利用模拟图像仔细评估模型。最终，我们使用训练好的模型，通过结合一组由 \textit{Hubble Space Telescope} 拍摄的强透镜图像预测有效子晕密度斜率。我们发现该组观测的子晕斜率测量值比冷暗物质子晕的斜率预言更陡。我们的结果增添了此前若干同样在观测中测得高子晕斜率的工作。尽管一种可能的解释是，由于选择效应，斜率更陡的子晕更易探测从而贡献统计偏差，我们的结果仍指出需要对未来巡天的更多强透镜观测进行仔细分析。