当光谱建模遇上卷积网络：一种在测光多波段成像数据中发现再电离时期透镜类星体的方法

在过去二十年中，约300个类星体在$z\gtrsim6$处被发现，但仅有一个被确认为强引力透镜。我们探索了一种新方法——扩大允许的光谱参数空间，同时引入新的空间几何排除准则——该方法通过基于图像的深度学习实现。我们首先将该方法应用于对再电离时期透镜类星体的系统性搜寻，所用数据来自暗能量巡天（Dark Energy Survey）、可见光与红外巡天望远镜半球巡天（Visible and Infrared Survey Telescope for Astronomy Hemisphere Survey）和广域红外巡天探测器（Wide-field Infrared Survey Explorer）。我们的搜寻方法由两部分组成：(i) 基于光谱能量分布（SED）利用星表级测光对候选体进行预选；(ii) 利用卷积神经网络（CNN）分类计算候选体为透镜或某些污染体的相对概率。训练数据集通过将偏转的点源光线绘制在真实星系图像上构建，以生成逼真的星系-类星体透镜模型，并优化用于发现小图像分离系统，即爱因斯坦半径$\theta_\mathrm{E} \leq 1$弧秒。随后对CNN得分$P_\mathrm{lens} > 0.1$的源进行视觉检查，由此获得36个新选出的透镜候选体，正待光谱确认。这些发现表明，由适度人工输入支持的自动化SED建模与深度学习流水线，是从大型星表中探测强透镜的一条有前景的路径，可克服主要基于dropout的SED选择方法的排除局限。