Skip to main content
Nubint
QUICK REVIEW

[論文レビュー] Survey of Gravitationally lensed Objects in HSC Imaging (SuGOHI) $-$ X. Strong Lens Finding in The HSC-SSP using Convolutional Neural Networks

Anton T. Jaelani, Anupreeta More|arXiv (Cornell University)|Dec 12, 2023
Astronomy and Astrophysical Research被引用数 4
ひとこと要約

本研究では、多バンド画像における強引力レンズの検出のために、超スーパー・スミス・カム・スバル戦略プログラム（HSC-SSP）に畳み込みニューラルネットワーク（CNN）を適用した。モデルは235万個の銀河から43例の明確なレンズ系および269例の可能性の高いレンズ系を同定し、そのうち97例が新規発見であった。これはレンズ検出の効率を著しく向上させ、将来の分光的追従観測による宇宙論的モデル構築を可能にする。

ABSTRACT

We apply a novel model based on convolutional neural networks (CNNs) to identify gravitationally-lensed galaxies in multi-band imaging of the Hyper Suprime Cam Subaru Strategic Program (HSC-SSP) Survey. The trained model is applied to a parent sample of 2 350 061 galaxies selected from the $\sim$ 800 deg$^2$ Wide area of the HSC-SSP Public Data Release 2. The galaxies in HSC Wide are selected based on stringent pre-selection criteria, such as multiband magnitudes, stellar mass, star formation rate, extendedness limit, photometric redshift range, etc. Initially, the CNNs provide a total of 20 241 cutouts with a score greater than 0.9, but this number is subsequently reduced to 1 522 cutouts by removing definite non-lenses for further inspection by human eyes. We discover 43 definite and 269 probable lenses, of which 97 are completely new. In addition, out of 880 potential lenses, we recovered 289 known systems in the literature. We identify 143 candidates from the known systems that had higher confidence in previous searches. Our model can also recover 285 candidate galaxy-scale lenses from the Survey of Gravitationally lensed Objects in HSC Imaging (SuGOHI), where a single foreground galaxy acts as the deflector. Even though group-scale and cluster-scale lens systems were not included in the training, a sample of 32 SuGOHI-c (i.e., group/cluster-scale systems) lens candidates was retrieved. Our discoveries will be useful for ongoing and planned spectroscopic surveys, such as the Subaru Prime Focus Spectrograph project, to measure lens and source redshifts in order to enable detailed lens modelling.

研究の動機と目的

  • 広域光学画像において強引力レンズを自動検出するための深層学習モデルの開発と適用。
  • 畳み込みニューラルネットワーク（CNN）を活用することで、従来のレンズ探索手法を凌駕し、より高い精度とスケーラビリティを実現。
  • HSC-SSP調査において、特に銀河スケールのレンズ系を同定し、既知のシステムをより高い信頼性で回復。
  • プライムフォーカススペクトログラフのようなプロジェクトのための高優先度レンズ候補リストを提供することで、将来的な分光的追従観測を可能に。
  • トレーニングに含まれないグループおよびクラスタースケールのレンズを検出できるかどうかを評価することで、モデルの一般化能力を検証。

提案手法

  • カスタム畳み込みニューラルネットワーク（CNN）を、HSC-SSP調査のレンズありおよびレンズなし銀河カットアウトのキュレート済みデータセットでトレーニング。
  • 2,350,061個の銀河の多バンド画像カットアウト（g, r, i, z, y）を処理し、明るさ、星の質量、星形成率、拡張性、光度赤方偏移に基づいて事前に選別。
  • CNNの信頼度スコアが0.9を超えるカットアウトを抽出し、人間の専門家による視覚的検査により明白な非レンズを除外することで、初期プールを20,241から1,522に削減。
  • 残りの候補に対して人間の専門家が視覚的検査を実施し、レンズの形状に基づきA（明確に確実）・B（可能性あり）・C（可能性あり）の等級を付与。
  • モデルの予測結果を既存のレンズカタログと照合し、重複を特定し、以前に評価されたシステムを再分類。
  • 既知のシステムを用いたテストにより、285例の銀河スケールレンズ（SuGOHI調査より）および文献に記載の289例の既知システムを含む。
Figure 1: The distribution of the properties of the simulated lenses is constructed by simct . Left to right: the Einstein radius, $\theta_{E}$ ; the redshift, $z$ ; the i-band magnitude, $m_{i}$ ; and the ellipticity, $e$ . The red and blue colours denote lens and source quantities, respectively.
Figure 1: The distribution of the properties of the simulated lenses is constructed by simct . Left to right: the Einstein radius, $\theta_{E}$ ; the redshift, $z$ ; the i-band magnitude, $m_{i}$ ; and the ellipticity, $e$ . The red and blue colours denote lens and source quantities, respectively.

実験結果

リサーチクエスチョン

  • RQ1CNNに基づく深層学習モデルは、HSC-SSPのような大規模な多バンド光学調査において、強引力レンズを効果的に検出できるか？
  • RQ2CNNベースの手法は、従来の自動化手法および人間による検査手法と比較して、発見率と信頼度の面でどの程度優れているか？
  • RQ3銀河スケールのレンズでトレーニングされたモデルが、グループおよびクラスタースケールのレンズ系をどの程度一般化して検出できるか？
  • RQ4新規のレンズ候補の何パーセントが真正に新規であり、何パーセントが以前に誤分類されたり見過ごされたりしていたか？
  • RQ5本モデルは、以前の探索よりも高い信頼度で既知のレンズシステムを回復できるか？

主な発見

  • CNNは信頼度スコアが0.9を超える20,241個のカットアウトを同定し、視覚的検査による明白な非レンズの除外により、初期プールから1,522に削減された。
  • 最終サンプルには43例の明確な（等級A）および269例の可能性の高い（等級B）強引力レンズ候補が含まれており、そのうち97例が完全に新しい発見であった。
  • 等級Cの880例の候補のうち143例は、以前の文献でAまたはBとして評価されていたものであり、検出の信頼度が向上したことを示している。
  • モデルはSuGOHI調査の285例の既知の銀河スケールレンズ候補を正常に回復し、優れた一般化能力を示した。
  • トレーニングデータにグループおよびクラスタースケールのレンズが含まれていなかったにもかかわらず、SuGOHI-cサンプルから32例の候補を回復した。これは、潜在的な一般化能力があることを示唆している。
  • 候補のレンズ銀河の光度赤方偏移は0.2から1.2の範囲にあり、分光的追従観測およびレンズモデリングに適していることが裏付けられた。
Figure 2: Distributions of color-color ( $m_{r}-m_{i}$ vs. $m_{g}-m_{r}$ ) diagram of the lens galaxies (red), and the sources (blue).
Figure 2: Distributions of color-color ( $m_{r}-m_{i}$ vs. $m_{g}-m_{r}$ ) diagram of the lens galaxies (red), and the sources (blue).

より良い研究を、今すぐ始めましょう

論文の読解から最終レビューまで、研究時間を劇的に削減しましょう。

クレジットカード登録不要

このレビューはAIが作成し、人間の編集者が確認しました。