[論文レビュー] HOLISMOKES -- XI. Evaluation of supervised neural networks for strong-lens searches in ground-based imaging surveys

R. Canameras, S. Schuldt+11 more|arXiv (Cornell University)|Jun 5, 2023

Pulsars and Gravitational Waves Research被引用数 6

ひとこと要約

本研究では、実際のHSC PDR2データ（確認済みのレンズ189個、レンズでない銀河70,910個を含む）を用いて、地上望遠鏡の画像調査における自動的強レンズ検出のための教師あり深層ニューラルネットワークの評価を行う。PSFに配慮した学習とマルチバンドデータを用いることで、画像品質にほとんど依存しない性能を達成し、真の陽性率が0％の偽陽性で最大60％に達する。これにより、将来のルビンLSSTのような調査における人為的要因を排除した堅牢なレンズ選別が可能になる。

ABSTRACT

While supervised neural networks have become state of the art for identifying the rare strong gravitational lenses from large imaging data sets, their selection remains significantly affected by the large number and diversity of nonlens contaminants. This work evaluates and compares systematically the performance of neural networks in order to move towards a rapid selection of galaxy-scale strong lenses with minimal human input in the era of deep, wide-scale surveys. We used multiband images from PDR2 of the HSC Wide survey to build test sets mimicking an actual classification experiment, with 189 strong lenses previously found over the HSC footprint and 70,910 nonlens galaxies in COSMOS. Multiple networks were trained on different sets of realistic strong-lens simulations and nonlens galaxies, with various architectures and data pre-processing. The overall performances strongly depend on the construction of the ground-truth training data and they typically, but not systematically, improve using our baseline residual network architecture. Improvements are found when applying random shifts to the image centroids and square root stretches to the pixel values, adding z band, or using random viewpoints of the original images, but not when adding difference images to subtract emission from the central galaxy. The most significant gain is obtained with committees of networks trained on different data sets, and showing a moderate overlap between populations of false positives. Nearly-perfect invariance to image quality can be achieved by training networks either with large number of bands, or jointly with the PSF and science frames. Overall, we show the possibility to reach a TPR0 as high as 60% for the test sets under consideration, which opens promising perspectives for pure selection of strong lenses without human input using the Rubin Observatory and other forthcoming ground-based surveys.

研究の動機と目的

• 地上望遠鏡の画像調査から銀河スケールの強引力レンズを自動的かつ高精度に選別するための教師ありニューラルネットワークの開発と評価。
• 特に画像品質の変動やPSFの不一致といった観測的要因に起因する偽陽性の低減。
• 真の陽性率を最大化すると同時に、偽陽性率をゼロまたは極めて低く保つ最適なネットワークアーキテクチャ、データ前処理、学習戦略の特定。
• マルチバンド画像、PSFモデリング、データ拡張の影響が一般化性能および観測条件の変動に対する耐性に与える影響の評価。
• 将来の深く広い領域をカバーする調査（例：ルビンLSST）に適した完全自動化・高スループットのレンズ選別パイプラインの構築。

提案手法

• HSC PDR2調査の実際の強レンズシミュレーションとレンズでない銀河データを用いて、$gri$バンドを主なデータとして複数の畳み込みニューラルネットワークを学習。
• 残差ネットワーク（ResNets）、AlexNetに類似したモデル、G-CNNを含む多様なアーキテクチャを用いて、設計選択の性能比較。
• 性能の向上を図るため、ランダムな画像の重心シフト、平方根変換によるピクセル値変換、ランダムな視点回転などのデータ拡張技術を適用。
• zバンドデータの追加と、最適化された$\alpha$を用いた$g-\alpha i$差分画像の導入により、中心銀河の放射を抑制。
• 異なるデータサブセットで学習したネットワークを用いた委員会ベースのアンサンブル学習を実施し、偽陽性の重複を低減し、一般化性能を向上。
• レンズシミュレーションパイプラインに現実的なPSFモデルを統合し、科学フレームとPSFカットアウトを同時に学習させることで、観測条件の変動（見かけの品質）に対して不変性を達成。

Figure 1: Mocks in our baseline ground truth data set. The first, second, and third rows contain mocks with $0.75\arcsec<\theta_{\rm E}<1.30\arcsec$ , $1.30\arcsec<\theta_{\rm E}<1.90\arcsec$ , and $1.90\arcsec<\theta_{\rm E}<2.50\arcsec$ , respectively. Cutouts have sizes of 10″ $\times$ 10″.

実験結果

リサーチクエスチョン

• RQ1 教師ありニューラルネットワークを実際の強レンズデータで学習した場合、偽陽性がゼロの条件下で達成可能な最大の真の陽性率は何か？
• RQ2 制御されたテスト条件下で、異なるニューラルネットワークアーキテクチャ（例：ResNet対AlexNetに類似したモデル）の性能はどのように比較されるか？
• RQ3 データ前処理および拡張技術が、画像品質の変動に対する一般化性能と耐性にどの程度寄与するか？
• RQ4 特にzバンドを含むマルチバンド学習は、レンズでない形状による汚染をどの程度低減できるか？
• RQ5 異なるデータサブセットで学習したアンサンブルモデルは、偽陽性の重複を顕著に低減し、検出再現率を向上させることができるか？

主な発見

• 最高性能を示したネットワークは、偽陽性がゼロの条件下で真の陽性率60％を達成し、完全な自動選別が可能であることを示した。
• ResNetベースのアーキテクチャは、AlexNetに類似したモデルやG-CNNよりも一貫して優れた性能を示し、偽陽性ゼロ時の真の陽性率は約10～40％を達成した。
• ランダムな画像の重心シフトと平方根変換によるピクセル値変更は、特にPSFアーティファクトに起因する偽陽性の低減に顕著な効果を示した。
• zバンドデータの追加と、科学フレームとPSFカットアウトを同時に学習させることで、観測条件の変動（見かけの品質）に対する耐性が顕著に向上した。
• g-\alpha i差分画像の追加は性能向上に寄与せず、中心銀河の放射抑制に対しても効果がなかった。
• 中程度の偽陽性重複を示す異なるデータセットで学習したネットワークのアンサンブルは、最高の全体的性能を達成し、アンサンブルの多様性の価値を示した。

Figure 2: Influence of the training data set for our baseline CNN (left, solid lines) and ResNet (right, dashed lines). We only vary the set of positive (top) and negative (bottom) examples. Networks trained on the baseline data sets (N1+L1) are plotted in dark blue. Two of the best networks from th