[論文レビュー] Deep Learning in Wide-field Surveys: Fast Analysis of Strong Lenses in Ground-based Cosmic Experiments

Clécio R. Bom, Jason Poh+3 more|arXiv (Cornell University)|Nov 14, 2019

Galaxies: Formation, Evolution, Phenomena参考文献 144被引用数 11

ひとこと要約

本論文では、シミュレーテッドDark Energy Surveyデータの$gri$バンド画像から、強力な重力レンズの4つの主要パラメータ（エインシュタイン半径、ドレープ速度分散、レンズ赤方偏移、源赤方偏移）を素早く推定するためのディープラーニングフレームワークを提案する。モデルは大多数のパラメータで10–15%の精度を達成し、源赤方偏移では30%の精度を示す。また、組み込みの不確実性推定を備えており、今後の広視野スケールの調査におけるレンズ系の高速かつスケーラブルな解析を可能にする。

ABSTRACT

Searches and analyses of strong gravitational lenses are challenging due to the rarity and image complexity of these astronomical objects. Next-generation surveys (both ground- and space-based) will provide more opportunities to derive science from these objects, but only if they can be analyzed on realistic time-scales. Currently, these analyses are expensive. In this work, we present a regression analysis with uncertainty estimates using deep learning models to measure four parameters of strong gravitational lenses in simulated Dark Energy Survey data. Using only $gri$-band images, we predict Einstein Radius, lens velocity dispersion, lens redshift to within $10-15\%$ of truth values and source redshift to $30\%$ of truth values, along with predictive uncertainties. This work helps to take a step along the path of faster analyses of strong lenses with deep learning frameworks.

研究の動機と目的

• 強力な重力レンズの解析における計算のボトル neck を解消すること。強力な重力レンズは希少で複雑であり、時間のかかるモデリングを要する。
• LSST、Euclid、WFIRSTのような今後の広視野地上望遠鏡調査における強力レンズ系の高速かつスケーラブルなパrameter推定を可能にすること。
• マルチバンド画像データから直接レンズパラメータと関連する不確実性を予測するディープラーニングフレームワークの開発。
• 反復的でコストの高いフォワードモデリングに代わって、微分可能でエンドツーエンドの回帰アプローチを採用することで、その依存性を減らすこと。
• 実観測データへの適用を念頭に、転移学習とドメイン適応の基盤を築くこと。

提案手法

• 本モデルは、LensPopフレームワークを用いて生成された、DESに類似した調査条件を再現するシミュレーテッド$gri$バンド画像上で訓練された畳み込みニューラルネットワーク（CNN）を用いる。
• モデルは、エインシュタイン半径（$\theta_{\rm E}$）、ドレープ速度分散（$\sigma_{\rm v}$）、レンズ赤方偏移（$z_{\rm l}$）、源赤方偏移（$z_{\rm s}$）の4つのレンズパラメータを予測する多出力回帰を実行する。
• 不確実性推定は、確率的出力ヘッドを用いてパラメータと併せて予測され、各予測の信頼性を定量化可能となる。
• ネットワークアーキテクチャは、パラメータ推定に不可欠な形態的特徴およびレンズされた像構造を捉えるように設計されている。
• モデルの訓練には、現実の調査条件を模倣するため、実際のノイズ、PSF劣化、源の混在を含む合成レンズ系の組み合わせが用いられる。
• 外部シアーおよび線路上下の投影といった乖離要因を考慮し、実データへの適応を図るため、転移学習とドメイン適応戦略が提案されている。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングモデルは、$gri$バンド画像データのみから、強力レンズの主要パラメータを正確に回帰できるか？
• RQ2 1つのディープラーニングモデルが、関連する不確実性推定を伴って複数のレンズパラメータをどれほど正確に予測できるか？
• RQ3 外部シアーおよび源の混在といった、モデルに組み込まれていない系統的要因が存在する実データに適用した場合、モデルの予測はどの程度頑健に保たれるか？
• RQ4 転移学習やドメイン適応は、実観測データへのモデル一般化を改善できるか？
• RQ5 スピードと精度の観点から、従来のフォワードモデリング手法と比較して、モデルの性能指標はどのように異なるか？

主な発見

• モデルは、シミュレーテッドDESデータにおける真値と比較して、エインシュタイン半径（$\theta_{\rm E}$）とレンズドレープ速度分散（$\sigma_{\rm v}$）を中央絶対誤差10–15%で予測する。
• レンズ赤方偏移（$z_{\rm l}$）は中央絶対誤差10–15%で予測され、この重要な宇宙論的パラメータに対して高い精度を示している。
• 源赤方偏移（$z_{\rm s}$）は中央絶対誤差30%で予測され、宇宙論的研究において中程度だが有用な精度を示している。
• モデルは信頼性の高い予測不確実性推定を提供しており、これは後続の統計的推論と信頼性評価に不可欠である。
• 従来のフォワードモデリングに比べ、レンズパラメータ推定の計算コストを顕著に削減し、大規模な調査データセットの迅速な解析を可能にしている。
• 結果から、外部摂動や混在といった、モデルに組み込まれていない系統的要因の影響を補うために、転移学習とドメイン適応が、シミュレーションと実データの性能ギャップを埋めるために不可欠であることが示唆される。