[論文レビュー] Selection functions of strong lens finding neural networks

Aniruddh Herle, Conor M. O’Riordan+1 more|arXiv (Cornell University)|Jul 19, 2023

Pulsars and Gravitational Waves ResearchPhysics and Astronomy被引用数 3

ひとこと要約

この論文は、強力な重力レンズ探査に用いられる畳み込みニューラルネットワーク（CNN）の選択関数を体系的に調査し、これらのモデルが特にクェーサー-レンズ系において、より大きなアインシュタイン半径、より集中した源の光、より高いレンズの楕円度に対して顕著なバイアスを導入していることを明らかにした。一方で、レンズ質量プロファイルの勾配には感度を示さない。これらの発見は、ニューラルネットワークの選択効果が固有のレンズ効果断面積バイアスを強化することを示しており、近い将来の広視野調査において慎重な補正が不可欠であることを示している。

ABSTRACT

Convolution Neural Networks trained for the task of lens finding with similar architecture and training data as is commonly found in the literature are biased classifiers. An understanding of the selection function of lens finding neural networks will be key to fully realising the potential of the large samples of strong gravitational lens systems that will be found in upcoming wide-field surveys. We use three training datasets, representative of those used to train galaxy-galaxy and galaxy-quasar lens finding neural networks. The networks preferentially select systems with larger Einstein radii and larger sources with more concentrated source-light distributions. Increasing the detection significance threshold to 12$σ$ from 8$σ$ results in 50 per cent of the selected strong lens systems having Einstein radii $θ_\mathrm{E}$ $\ge$ 1.04 arcsec from $θ_\mathrm{E}$ $\ge$ 0.879 arcsec, source radii $R_S$ $\ge$ 0.194 arcsec from $R_S$ $\ge$ 0.178 arcsec and source Sérsic indices $n_{\mathrm{Sc}}^{\mathrm{S}}$ $\ge$ 2.62 from $n_{\mathrm{Sc}}^{\mathrm{S}}$ $\ge$ 2.55. The model trained to find lensed quasars shows a stronger preference for higher lens ellipticities than those trained to find lensed galaxies. The selection function is independent of the slope of the power-law of the mass profiles, hence measurements of this quantity will be unaffected. The lens finder selection function reinforces that of the lensing cross-section, and thus we expect our findings to be a general result for all galaxy-galaxy and galaxy-quasar lens finding neural networks.

研究の動機と目的

• ニューラルネットワークベースのレンズ探査が強力な重力レンズサンプルにどのように選択バイアスを導入するかを理解すること。
• トレーニングデータとモデルアーキテクチャの選択関数に及ぼす影響を定量化すること。
• これらのバイアスがレンズ質量プロファイルの勾配に依存するか、それとも源およびレンズの形態に依存するかを評価すること。
• 検出の有意水準しきい値が回復されたレンズ集団の特徴にどのように影響するかを評価すること。
• 深層学習を用いた大規模レンズ調査における系統的バイアスを是正する基盤を提供すること。

提案手法

• 銀河-銀河および銀河-クェーサーのレンズ調査を代表する3つの合成データセットで、ResNet18ベースのCNNをトレーニングした。
• アインシュタイン半径、源の大きさ、Sérsic指数、レンズの楕円度、質量プロファイルの勾配を制御したパラメータでレンズ像をシミュレートした。
• 検出の有意水準しきい値を8σおよび12σとして設定し、しきい値の変更がレンズ系の選択に与える影響を評価した。
• 解釈可能性技術を用いて、ネットワークの分類意思決定に最も影響を与えるレンズおよび源のパラメータを同定した。
• 異なるトレーニングデータセット間の選択関数を比較し、源およびレンズの形態の影響を分離した。
• レンズのパワーロー法則勾配（重要な宇宙論的パラメータ）とは独立して選択バイアスが生じるかを評価した。

実験結果

リサーチクエスチョン

• RQ1 レンズ探査CNNは、アインシュタイン半径および源の大きさに関して、強力なレンズ系の選択にどのようにバイアスをもたらすか？
• RQ2 レンズの楕円度は、クェーサー-レンズ探査ネットワークと銀河-レンズ探査ネットワークの選択関数において、それぞれどのような役割を果たすか？
• RQ3 CNNベースのレンズ探査の選択関数は、レンズ質量プロファイルの勾配に依存するか？
• RQ4 検出の有意水準しきい値（例：8σ 対 12σ）は、選択されたレンズ系の形態的特徴にどのように影響するか？
• RQ5 トレーニングデータの特性（例：源の光のモデルの複雑さ）が、結果としての選択バイアスにどの程度影響を与えるか？

主な発見

• 検出の有意水準しきい値を8σから12σに引き上げると、選択されたレンズの中央値アインシュタイン半径は0.879弧秒から1.04弧秒に増加した。
• 同じしきい値上昇に伴い、源の半径中央値は0.178弧秒から0.194弧秒に、Sérsic指数中央値は2.55から2.62に上昇した。
• クェーサーにレンズされたものを探査するようにトレーニングされたニューラルネットワークは、銀河-銀河レンズを対象としたものよりも、より高いレンズの楕円度を強く好む傾向を示した。
• 選択関数はレンズ質量プロファイルのパワーロー法則勾配に依存せず、このパラメータの測定値はネットワークによってバイアスを受けない。
• より大きなアインシュタイン半径とより集中した源の光分布が、選択の主な駆動要因であり、ネットワークは視覚的に検出が容易な系を好む。
• 選択バイアスは固有のレンズ断面積バイアスを強化しており、これらの発見は同様のCNNベースのレンズ探査器に一般化可能である。