基于机器学习的弱引力透镜剪切测量：让人工神经网络感知特征噪声

宇宙剪切是多个当前与未来探测暗物质的巡天（如 Euclid 或 WFIRST）的主要宇宙学探针。该探针要求基于成像数据对数百万星系的形状进行极精确测量。关键的是，剪切测量必须应对并补偿一系列与仪器光学和探测器、噪声、未知星系形态、颜色、源混合以及选择效应交织的干扰效应。本文探索使用监督机器学习（ML）作为解决此逆问题的工具。我们提出一种简单架构，通过浅层人工神经网络学习回归剪切点估计与权重。网络在正向观测过程的模拟上训练，并以星系图像矩的组合作为输入。该 ML 应用的一个挑战性特殊之处在于输入特征的噪声性与逆回归精度要求并存。为解决此问题，所提训练算法在单个源星系的多次实现上最小化偏差，降低对源星系总体样本性质的敏感性。重要的是，这些源星系的观测选择函数可通过权重直接纳入。我们首先用玩具模型模拟介绍方法关键方面，然后在模拟 Euclid 数据的图像上展示其潜力。最后，我们分析 GREAT3 挑战的图像，尽管仅使用简单训练集仍获得具竞争力的低剪切偏差。我们得出结论：为满足当前与未来巡天对剪切测量的严苛要求，ML 方法的进一步发展极具价值。我们技术的演示实现已公开可用。