利用卷积神经网络建模大型光学选源强星系透镜样本

我们探索了深度学习卷积神经网络(CNNs)在估计强引力透镜质量模型参数方面的有效性。我们研究了建模真实图像数据时面临的若干实际问题，例如网络性能如何依赖于透镜星系光的包含、颜色信息的添加以及信噪比的变化。我们的 CNN 使用模拟为匹配大型综合巡天望远镜(LSST)与 Euclid 成像特征的强星系-星系透镜图像进行训练与测试。对于包含透镜星系光的图像，CNN 能以可接受精度恢复透镜模型参数，但在移除透镜光时精度平均提高 34%。然而，颜色信息的加入可在很大程度上补偿由透镜光存在导致的精度下降。尽管我们的结果表明单历元 Euclid VIS 与 LSST r 波段数据集精度相近，但我们发现，在 LSST r 波段无透镜光时添加 g 与 i 波段图像精度提升 24%，有透镜光时提升 20%。当网络在透镜光严格跟随质量的图像上训练与测试时性能最佳；但当允许光的取向与椭率不同于质量时，网络在训练时加入质量与光轮廓差异的适度散布后表现最为稳定。