[論文レビュー] Hunting for Dark Matter Subhalos in Strong Gravitational Lensing with Neural Networks

Joshua Yao-Yu Lin, Hang Yu+3 more|arXiv (Cornell University)|Oct 24, 2020

Galaxies: Formation, Evolution, Phenomena参考文献 12被引用数 4

ひとこと要約

この論文では、従来のレンズモデリングを経由せずに、強力な重力レンズ像における暗黒物質の準銀河団を検出するために深層ニューラルネットワークを提案する。シミュレートされたレンズ像データと準銀河団の確率マップを用いて訓練されたネットワークは、複数の準銀河団を正確に検出し、滑らかなレンズアーク上での誤検出を驚くべきことに排除する能力を学習する。1枚あたり1秒未塔の高速な推論が可能である。

ABSTRACT

Dark matter substructures are interesting since they can reveal the properties of dark matter. Collisionless N-body simulations of cold dark matter show more substructures compared with the population of dwarf galaxy satellites observed in our local group. Therefore, understanding the population and property of subhalos at cosmological scale would be an interesting test for cold dark matter. In recent years, it has become possible to detect individual dark matter subhalos near images of strongly lensed extended background galaxies. In this work, we discuss the possibility of using deep neural networks to detect dark matter subhalos, and showing some preliminary results with simulated data. We found that neural networks not only show promising results on detecting multiple dark matter subhalos, but also learn to reject the subhalos on the lensing arc of a smooth lens where there is no subhalo.

研究の動機と目的

• 計算コストの高いレンズモデリングを回避し、強力レンズ像における暗黒物質準銀河団を自動的かつ高速に検出する手法を開発すること。
• 深層学習が現実的な準構造分布を持つ複雑なレンズ系において、同時に複数の準銀河団を検出できるかを調査すること。
• ニューラルネットワークが、滑らかなレンズポテンシャルによって生じる偽の準銀河団信号を、明示的な教師なしで排除できるかを検討すること。
• LSSTやEuclidなどの大規模レンズ調査（約17万件の強力レンズシステムが予想される）におけるスケーラブルな解析を可能にすること。

提案手法

• 畳み込みニューラルネットワーク（DenseNetおよびResNet）を、準銀河団確率マップをターゲットとして、シミュレートされた強力レンズ像で訓練した。
• 薄レンズ近似下での光線追跡を用い、滑らかなSIEまたはパワー則マクロモデルと埋め込まれた準銀河団を伴う224×224のレンズ像を生成した。
• 準銀河団の位置の尤度を表すために、カットオフ付きのガウス分布を用いて準銀河団確率マップを構築し、バイナリ・クロスエントロピー損失による回帰を可能にした。
• 事前学習済みのCNNの最終層を変更し、分類のログティットではなく56×56×1の確率マップを出力するようにし、空間分解能を保持した。
• 入力画像を[0,1]に正規化し、ResNetおよびDenseNetのRGB入力要件を満たすためにチャネルを複製した。
• 予測された確率マップと真値の間のバイナリ・クロスエントロピー損失を最小化するようにネットワークを訓練した。

実験結果

リサーチクエスチョン

• RQ1 深層ニューラルネットワークは、明示的なレンズモデリングを経由せずに、強力レンズ像における複数の暗黒物質準銀河団を検出できるか？
• RQ2 準銀河団確率マップのみで訓練されたニューラルネットワークは、準銀河団が存在しない滑らかなレンズアーク上でも、誤検出を排除できるか？
• RQ3 準銀河団検出において、ニューラルネットワークの性能は、従来の尤度ベースの手法と比べて、速度と精度の点で優れているか？
• RQ4 明示的にこのような特徴を学習させないまま、蓄積された準構造効果を持つ複雑なレンズ系に対しても、ネットワークは一般化可能か？

主な発見

• ニューラルネットワークは、シミュレートされたレンズ像において複数の準銀河団を正しく検出し、確率マップ上でその位置を正確に予測した。
• 準銀河団が存在しない場合、ネットワークはゼロ検出を予測し、準銀河団なしのシステムへの適切な一般化を確認した。
• 滑らかなモデルのレンズアークに沿った領域に対して、低い確率を割り当てることで、明示的な教師なしで誤検出を効果的に排除した。
• 1枚あたり1秒未塔の推論時間がGPU1台で達成され、従来のモデリング手法が数日を要するのと比べて劇的な高速化が達成された。
• 滑らかなアーク上の準銀河団を排除する能力は、明示的にプログラムされていなかったが、エメrgentな性質として出現し、強力な特徴学習の可能性を示唆した。
• LSSTやEuclidのような大規模調査において、自動的かつ高速な準銀河団検出が不可欠であることを踏まえ、本手法はそのスケーラビリティに強く期待できる。