[논문 리뷰] Analyzing interferometric observations of strong gravitational lenses with recurrent and convolutional neural networks

Warren R. Morningstar, Yashar Hezaveh외 5명|arXiv (Cornell University)|2018. 07. 31.

Adaptive optics and wavefront sensing참고 문헌 3인용 수 24

한 줄 요약

이 논문은 이미지 디컨볼루션을 위한 순환 신경망(RIM)과 렌즈 매개변수 추정을 위한 합성곱 신경망(CNN)을 조합한 딥러닝 프레임워크를 제안하며, 기존 최대우도 방법보다 최대 6개 지수 정도 빠르게 ALMA 간섭계 데이터에서 고정밀 추론을 실현하고, 최적 방법과 비교해 오차 범위가 두 배 이내로 유지된다.

ABSTRACT

We use convolutional neural networks (CNNs) and recurrent neural networks (RNNs) to estimate the parameters of strong gravitational lenses from interferometric observations. We explore multiple strategies and find that the best results are obtained when the effects of the dirty beam are first removed from the images with a deconvolution performed with an RNN-based structure before estimating the parameters. For this purpose, we use the recurrent inference machine (RIM) introduced in Putzky & Welling (2017). This provides a fast and automated alternative to the traditional CLEAN algorithm. We obtain the uncertainties of the estimated parameters using variational inference with Bernoulli distributions. We test the performance of the networks with a simulated test dataset as well as with five ALMA observations of strong lenses. For the observed ALMA data we compare our estimates with values obtained from a maximum-likelihood lens modeling method which operates in the visibility space and find consistent results. We show that we can estimate the lensing parameters with high accuracy using a combination of an RNN structure performing image deconvolution and a CNN performing lensing analysis, with uncertainties less than a factor of two higher than those achieved with maximum-likelihood methods. Including the deconvolution procedure performed by RIM, a single evaluation can be done in about a second on a single GPU, providing a more than six orders of magnitude increase in analysis speed while using about eight orders of magnitude less computational resources compared to maximum-likelihood lens modeling in the uv-plane. We conclude that this is a promising method for the analysis of mm and cm interferometric data from current facilities (e.g., ALMA, JVLA) and future large interferometric observatories (e.g., SKA), where an analysis in the uv-plane could be difficult or unfeasible.

연구 동기 및 목표

• 간섭계 데이터의 uv-공간에서 기존 최대우도 렌즈 모델링에 대한 빠르고 자동화된 대안을 개발하기 위해.
• 딥러닝을 활용해 강한 중력 렌즈 분석에서 매개변수 추정 정확도 및 불확실성 캘리브레이션을 향상시키기 위해.
• ALMA 및 향후 SKA와 같은 미래 천체망원경의 대규모 간섭계 데이터셋을 분석하는 데 필요한 계산 비용과 시간을 줄이기 위해.
• 실제 ALMA 관측에 대한 강건한 추론을 가능하게 하기 위해, 현실적인 통계적 성질을 가진 시뮬레이션 데이터로 훈련시키기 위해.
• 디컨볼루션 과정에서 발생하는 체계적 영향을 반영하기 위해 베르누이 분포를 활용한 변동형 추론을 통한 불확실성 정량화를 통합하기 위해.

제안 방법

• uv-데이터에서 재구성된 더러운 이미지에 직접 피드포워드 CNN을 훈련시켜 렌즈 특성 매개변수를 추정하기 위해.
• 더러운 빔 영향을 제거하기 위해, 미분 가능한 RNN 기반 아키텍처인 순환 추론 기계(RIM)를 사용하여 디컨볼루션을 수행하기 위해.
• 디컨볼루션 과정에서 발생하는 체계적 기여를 포함해 매개변수 불확실성을 추정하기 위해, 베르누이 분포를 활용한 변동형 추론을 적용하기 위해.
• 실제 관측 조건을 근사하기 위해 시뮬레이션된 uv-커버리지 격자와 복소수 수신 신호 예측을 활용해 훈련 데이터를 생성하기 위해.
• 시뮬레이션된 렌즈 시스템에서 엔드 투 엔드 훈련을 수행하고, SPT 소스의 실제 ALMA 관측 데이터로 검증하기 위해.
• 단일 GPU에서 소스당 약 1초 내외로 추론을 수행하여 대규모 확장성이 가능하도록 하기 위해.

실험 결과

연구 질문

• RQ1 RNN 기반 디컨볼루션과 CNN 기반 분석을 융합한 하이브리드 딥러닝 모델이 간섭계 데이터에서 고정밀 렌즈 매개변수 추정을 달성할 수 있는가?
• RQ2 이 방법의 정확도, 불확실성 캘리브레이션 및 계산 비용 측면에서 기존 최대우도 모델링과 비교해 어떤 성능을 보이는가?
• RQ3 RIM 기반 디컨볼루션 방법이 CLEAN과 같은 전통적 알고리즘에 비해 품질과 불확실성 추적 측면에서 뛰어나게 성능을 내는가?
• RQ4 시뮬레이션 데이터로 훈련된 네트워크가 복잡한 통계적 성질을 지닌 실제 ALMA 관측에 얼마나 일반화되는가?
• RQ5 신경망 방법으로부터 도출된 불확실성 추정치가 체계적 오차를 포함해 적절한 커버리지 확률을 유지하는가?

주요 결과

• 이 방법은 최대우도 모델링과 비교해 중앙값 매개변수 추정 정밀도가 두 배 이내로 유지되어 높은 정확도를 입증하였다.
• 단일 GPU에서 소스당 약 1초 내외로 추론 시간이 단축되어 기존 uv-공간 모델링 대비 6개 지수 이상 빠른 속도 향상을 달성하였다.
• 최대우도 방법 대비 계산 자원 사용량이 약 8개 지수 감소하였다.
• RIM 기반 디컨볼루션은 CLEAN보다 더 높은 품질의 이미지를 생성했고, 체계적 불확실성 추적 기능을 제공해 강건성을 향상시켰다.
• 실제 ALMA 데이터에 대해 신경망에서 도출된 매개변수 추정치는 복소수 공간에서의 최대우도 모델링 결과와 일치하였다.
• 불확실성 커버리지 확률이 잘 캘리브레이션되어 있어, 디컨볼루션 과정에서 유도된 체계적 오차를 적절히 반영하고 있음을 시사하였다.