利用卷积神经网络对星系团进行弱引力透镜质量重建——II：应用于下一代宽场巡天

传统的弱引力透镜质量重建技术受到各种伪影的影响，包括噪声放大和质量片简并。在 Hong et al. (2021) 中，我们证明了传统质量重建的许多这些缺陷可以通过基于卷积神经网络（CNN）的深度学习方法得到缓解。在本文中，我们介绍了我们的改进，并报告了我们的 CNN 算法应用于下一代宽场观测的详细性能。假设 Vera C. Rubin 天文台的视场（$3\deg.5 \times 3\deg.5$）和深度（$5\sigma$ 下 27 星等），我们从宇宙学模拟射线追踪数据生成了源密度为 33 arcmin$^{-2}$ 的模拟剪切星表训练数据集。我们发现当前的 CNN 方法提供了与真实收敛场一致的高保真重建，同时恢复了小尺度和大尺度结构。此外，利用我们的 CNN 重建进行的星系团检测在质量低至 $\sim 10^{14}M_{\odot}$ 时实现了 $\sim75$% 的完备度。我们预计，这种基于 CNN 的质量重建将成为 Rubin 时代的一个强大工具，能够常规地实现快速且稳健的宽场质量重建。