作为强引力透镜探测器的Transformer——从模拟到巡天

随着LSST等即将开展的大视场巡天，我们预期在规模大许多个数量级的数据中发现约$10^5$个强引力透镜。在这种情况下，使用非自动化技术过于耗时，因此对科学而言不切实际。出于这个原因，机器学习技术开始成为先前方法的替代方案。在我们之前的工作中，我们提出了一种基于自注意力机制的新型机器学习架构，训练用于在Bologna Lens Challenge的模拟数据上寻找强引力透镜。基于自注意力的模型相较于更简单的CNN具有明显优势，且与当前最先进的CNN模型性能高度竞争。我们将所提模型应用于Kilo Degree Survey，识别出了一些新的强透镜候选体。然而，这些候选体是在大量假阳性中被识别出来的，这使得该模型的应用并不那么有利。因此，在本文中，我们研究了该方法的缺陷，并提出了诸如迁移学习等可能的解决方案。