[論文レビュー] Analyzing interferometric observations of strong gravitational lenses with recurrent and convolutional neural networks

Warren R. Morningstar, Yashar Hezaveh+5 more|arXiv (Cornell University)|Jul 31, 2018

Adaptive optics and wavefront sensing参考文献 3被引用数 24

ひとこと要約

本論文では、画像のデコンボリューションに再帰的ニューラルネットワーク（RIM）を組み合わせ、レンズパrameter推定に畳み込みニューラルネットワーク（CNN）を用いる深層学習フレームワークを提案し、ALMA干渉計測定データに対して従来の最尤法よりも6桁以上高速で高精度な推論を達成した。不確実性は最適手法の2倍以内に収束した。

ABSTRACT

We use convolutional neural networks (CNNs) and recurrent neural networks (RNNs) to estimate the parameters of strong gravitational lenses from interferometric observations. We explore multiple strategies and find that the best results are obtained when the effects of the dirty beam are first removed from the images with a deconvolution performed with an RNN-based structure before estimating the parameters. For this purpose, we use the recurrent inference machine (RIM) introduced in Putzky & Welling (2017). This provides a fast and automated alternative to the traditional CLEAN algorithm. We obtain the uncertainties of the estimated parameters using variational inference with Bernoulli distributions. We test the performance of the networks with a simulated test dataset as well as with five ALMA observations of strong lenses. For the observed ALMA data we compare our estimates with values obtained from a maximum-likelihood lens modeling method which operates in the visibility space and find consistent results. We show that we can estimate the lensing parameters with high accuracy using a combination of an RNN structure performing image deconvolution and a CNN performing lensing analysis, with uncertainties less than a factor of two higher than those achieved with maximum-likelihood methods. Including the deconvolution procedure performed by RIM, a single evaluation can be done in about a second on a single GPU, providing a more than six orders of magnitude increase in analysis speed while using about eight orders of magnitude less computational resources compared to maximum-likelihood lens modeling in the uv-plane. We conclude that this is a promising method for the analysis of mm and cm interferometric data from current facilities (e.g., ALMA, JVLA) and future large interferometric observatories (e.g., SKA), where an analysis in the uv-plane could be difficult or unfeasible.

研究の動機と目的

• 干渉計測定データのuv空間における従来の最尤法に代わる高速かつ自動化された代替手法の開発。
• 深層学習を用いて強力な重力レンズ解析におけるパrameter推定の精度と不確実性のキャリブレーションを向上。
• ALMAや将来的な観測施設（例：SKA）からの大規模干渉計測定データセットの解析にかかる計算コストと時間を低減。
• 実際のALMA観測データに対して、現実的な統計的性質を持つシミュレートデータで学習することで、堅牢な推論を可能に。
• 変分推論とベルヌーイ分布を用いて不確実性の定量化を統合し、デコンボリューションに起因する系誤差を捉える。

提案手法

• uvデータから再構成されたドアティ画像に直接フィードフォワードCNNを適用し、レンズパラメータを推定。
• 再帰的推論マシン（RIM）—微分可能なRNNベースのアーキテクチャ—を用いて、CNN推論の前段階でドアティビームの影響をデコンボリューション。
• ベルヌーイ分布を用いた変分推論を適用し、デコンボリューションプロセスに起因する系統的寄与を含めたパラメータの不確実性を推定。
• 実観測条件を模倣するため、シミュレートされたuvカバレッジグリッドとビジビリティ予測を用いてトレーニングデータを生成。
• シミュレートされたレンズ系でエンドツーエンドのトレーニングを実施し、SPT源の実際のALMA観測データで検証。
• 1つのGPUで1ソースあたり約1秒の推論時間を達成し、大規模スケーラビリティを実現。

実験結果

リサーチクエスチョン

• RQ1 RNNベースのデコンボリューションとCNNベースの解析を組み合わせたハイブリッド深層学習モデルは、干渉計測定データに対して高精度なレンズパラメータ推定を達成できるか？
• RQ2 本手法の性能は、精度、不確実性キャリブレーション、計算コストの観点から、従来の最尤法モデリングと比較してどうなるか？
• RQ3 RIMベースのデコンボリューション手法は、CLEANなどの古典的手法に比べ、再現性と不確実性の追跡において優れているか？
• RQ4 シミュレートデータで学習したネットワークが、複雑な統計的性質を持つ実際のALMA観測データにどの程度一般化できるか？
• RQ5 ニューラルネットワーク手法による不確実性推定は、系統的誤差を適切に反映しており、適切なカバレッジ確率を維持できるか？

主な発見

• 本手法は、最尤法モデリングの中央値推定精度の2倍以内に収束し、高い精度を示した。
• 1ソースあたりの推論時間が1GPUで約1秒にまで短縮され、従来のuv空間モデリングと比較して6桁以上高速化された。
• 最尤法と比較して、計算リソース使用量が約8桁低減された。
• RIMベースのデコンボリューションはCLEANよりも高品質な画像を生成し、系統的不確実性の追跡が可能となり、より高い耐障害性を実現した。
• 実際のALMAデータに対するニューラルネットワークのパラメータ推定値は、ビジビリティ空間における最尤法モデリングと一貫していた。
• 不確実性のカバレッジ確率は適切にキャリブレーションされており、デコンボリューション中に生じる系統的誤差を適切に反映していることが示された。