[논문 리뷰] Galaxy And Mass Assembly: A Comparison between Galaxy-Galaxy Lens Searches in KiDS/GAMA

Knabel, Shawn, Steele, Rebecca L.외 10명|arXiv (Cornell University)|2020. 09. 20.

Galaxies: Formation, Evolution, Phenomena인용 수 15

한 줄 요약

이 연구는 GAMA/KiDS 조사 영역에서 은하-은하 강력 렌즈 후보를 식별하기 위한 분광학적, 기계학습, 시민 과학 방법을 비교한다. 180 deg²를 조사함에도 불구하고 세 방법은 대부분 겹치지 않는 샘플을 도출한다—각각 47개, 47개, 13개의 후보자이며, 공통으로 발견된 것은 오직 두 명뿐이며, 주로 적색편이, 질량, 영상 해상도와 관련된 서로 다른 선택 함수 때문이 다. 연구 결과는 향후 LSST, Euclid, WFIRST와 같은 대규모 조사에서 보다 완전하고 다양한 학습 데이터 세트를 구축하기 위해 통합된 접근 방식이 필요하다는 점을 시사한다.

ABSTRACT

Strong gravitational lenses are a rare and instructive type of astronomical object. Identification has long relied on serendipity, but different strategies -- such as mixed spectroscopy of multiple galaxies along the line of sight, machine learning algorithms, and citizen science -- have been employed to identify these objects as new imaging surveys become available. We report on the comparison between spectroscopic, machine learning, and citizen science identification of galaxy-galaxy lens candidates from independently constructed lens catalogs in the common survey area of the equatorial fields of the GAMA survey. In these, we have the opportunity to compare high-completeness spectroscopic identifications against high-fidelity imaging from the Kilo Degree Survey (KiDS) used for both machine learning and citizen science lens searches. We find that the three methods -- spectroscopy, machine learning, and citizen science -- identify 47, 47, and 13 candidates respectively in the 180 square degrees surveyed. These identifications barely overlap, with only two identified by both citizen science and machine learning. We have traced this discrepancy to inherent differences in the selection functions of each of the three methods, either within their parent samples (i.e. citizen science focuses on low-redshift) or inherent to the method (i.e. machine learning is limited by its training sample and prefers well-separated features, while spectroscopy requires sufficient flux from lensed features to lie within the fiber). These differences manifest as separate samples in estimated Einstein radius, lens stellar mass, and lens redshift. The combined sample implies a lens candidate sky-density $\sim0.59$ deg$^{-2}$ and can inform the construction of a training set spanning a wider mass-redshift space.

연구 동기 및 목표

• 세 가지 독립적인 렌즈 식별 방법—분광학, 기계학습, 시민 과학—이 같은 조사 영역 내에서의 효과성과 효율성을 평가하고 비교하는 것.
• 각 방법 내재된 선택 편향을 정량화하는 것—특히 렌즈 적색편이, 항성 질량, 아이티스타 렌즈 반경과 관련하여.
• 다양한 방법 간 렌즈 후보 샘플의 겹침과 상호보완성을 평가하여 향후 자동화된 탐색 전략을 안내하는 것.
• 향후 대규모 조사에 대비해 기계학습 알고리즘을 위한 보다 완전하고 다양한 학습 데이터 세트를 구축하는 기초를 마련하는 것.
• 현존하는 식별 기법의 장단점을 규명하여 향후 렌즈 조사 설계에 기여하는 것.

제안 방법

• GAMA 조사의 분광학적 데이터(깊이 mr < 19.8 mag)를 활용하여 강력 렌즈 시스템을 나타내는 혼합 스펙트럼을 식별한다.
• 고정밀 KiDS 영상으로 훈련된 LinKS 기계학습 알고리즘을 적용하여 잘 분리된 아치와 렌즈 구조를 가진 형태를 탐지한다.
• GalaxyZoo 시민 과학 플랫폼을 활용하여 적색편이 임계값(z < 0.2)을 설정해 시각적 형태 기반으로 렌즈 후보를 분류한다.
• GAMA 천구적 영역의 공통 180 deg² 영역 내에서 세 방법의 결과를 교차 매칭한다.
• 모든 물리적 특성을 비교하기 위해 단순 등온 구형(SIS) 및 얇은 렌즈 모델을 사용해 추정된 아이티스타 렌즈 반경을 계산한다.
• 모든 거리 및 질량 추정에 평탄한 ΛCDM 우주론 모델(h₀ = 0.738, Ωₘ,₀ = 0.262)을 사용한다.

실험 결과

연구 질문

• RQ1 분광학, 기계학습, 시민 과학 방법에서 도출된 후보 샘플은 적색편이, 질량, 아이티스타 렌즈 반경 측면에서 어떻게 비교되며, 겹침은 어떠한가?
• RQ2 각 방법이 유도하는 주요 선택 편향는 무엇이며, 이는 렌즈 후보 목록의 완전성과 신뢰성에 어떻게 영향을 미치는가?
• RQ3 모집단 선택 및 방법론적 제약(예: 섬유 개구부 크기, 훈련 데이터, 분류 임계값 등)의 차이가 관측된 이질성의 주요 원인인가?
• RQ4 이 세 방법을 통합적으로 사용하면 단일 방법보다 더 완전하고 대표적인 은하-은하 렌즈 샘플을 확보할 수 있는가?
• RQ5 결과는 향후 광역 조사에 대비한 개선된 기계학습 모델 및 학습 데이터 세트 개발에 어떻게 기여할 수 있는가?

주요 결과

• 분광학, 기계학습, 시민 과학 방법은 각각 180 deg²에서 47개, 47개, 13개의 렌즈 후보를 식별했으며, 세 방법 모두에서 겹치는 후보자는 오직 두 명뿐이었다.
• 세 방법은 통계적으로 다른 샘플을 생성한다: 분광학은 낮은 적색편이, 높은 흐름을 선호하며(z < 0.5), 기계학습은 잘 분리된 특징을 선호하고, 시민 과학은 z < 0.2로 제한된다.
• 통합 샘플은 약 0.59 deg⁻²의 렌즈 후보 천구 밀도를 보이며, 어느 한 방법으로도 탐지되지 않은 렌즈의 상당 부분이 존재할 가능성을 시사한다.
• 아이티스타 렌즈 반경 추정치는 방법에 따라 크게 다름: 분광학은 θE ≈ 0.5–1.2 arcsec, 기계학습은 θE ≈ 0.6–1.2 arcsec, 시민 과학은 θE ≈ 0.7–2.1 arcsec를 탐지한다.
• 겹침이 없는 것은 주로 방법에 따라 다른 선택 함수 때문이며, 예를 들어 분광학은 1.5′′ 섬유 개구부 내 충분한 빛을 요구하고, 시민 과학은 고적색편이 시스템을 배제한다.
• 기계학습은 향후 자동화된 렌즈 탐색에서 큰 잠재력을 지녔지만, 잘 분리된 렌즈 특징과 LRG 유사 형태에 편향된 훈련 데이터로 인해 성능이 제한된다.