用于发现强引力透镜的神经网络系统性比较
星系天体物理
2024-05-22 v1 宇宙学与河外天体物理
摘要
随着成像巡天规模的不断扩大，人们正在开发高效的算法来搜索强引力透镜系统。在过去几年中，神经网络已成功应用于 Kilo Degree Survey、Hyper-Suprime Cam (HSC) Survey 和 Dark Energy Survey 等成像巡天中，以发现星系尺度的透镜系统。因此，由于大多数网络都采用监督学习算法，了解这些网络之间的比较、各自的优势以及训练数据集的作用变得至关重要。在这项工作中，我们首次对四个分析过 HSC Survey 数据的团队的网络进行了系统性比较和基准测试。每个团队独立设计了各自的训练样本并开发了神经网络，但事先协调保留了专门用于测试目的的特定数据集。测试样本由来自各种来源的模拟透镜、真实（候选）透镜和真实非透镜组成，用于对每个网络的性能进行基准测试和表征。虽然每个团队的网络在自己构建的测试样本上的表现远好于其他团队的测试样本，但所有网络在包含真实（候选）透镜和非透镜的测试样本上表现相当。我们还研究了在保持相同网络架构的情况下，在各团队之间交换训练样本的影响。我们发现这提升了某些网络的性能。这些结果对于即将开展的成像巡天（如 Rubin-Legacy Survey of Space and Time、Roman 和 Euclid）中的透镜搜索措施具有直接意义。
引用
@article{arxiv.2405.12975,
title = {Systematic comparison of neural networks used in discovering strong gravitational lenses},
author = {Anupreeta More and Raoul Canameras and Anton T. Jaelani and Yiping Shu and Yuichiro Ishida and Kenneth C. Wong and Kaiki Taro Inoue and Stefan Schuldt and Alessandro Sonnenfeld},
journal= {arXiv preprint arXiv:2405.12975},
year = {2024}
}
备注
13 pages, 8 figures