[논문 리뷰] HOLISMOKES -- XI. Evaluation of supervised neural networks for strong-lens searches in ground-based imaging surveys

R. Canameras, S. Schuldt외 11명|arXiv (Cornell University)|2023. 06. 05.

Pulsars and Gravitational Waves Research인용 수 6

한 줄 요약

이 연구는 지상 기반 영상 조사에서 자동 강력 렌즈 탐지에 위한 지도 학습 기반 딥 신경망을 평가한다. 실제 HSC PDR2 데이터를 사용하여 확정된 렌즈 189개와 비렌즈은하 70,910개를 포함한다. 0개의 가짜 양성 결과에서 진짜 양성 비율이 최대 60%에 도달하며, PSF 인식 학습과 다중 대역 데이터를 통해 영상 품질 변화에 거의 완전한 불변성을 확보한다. 이는 향후 Rubin LSST와 같은 조사에서 인간 개입이 없는 강력한 렌즈 선택을 가능하게 한다.

ABSTRACT

While supervised neural networks have become state of the art for identifying the rare strong gravitational lenses from large imaging data sets, their selection remains significantly affected by the large number and diversity of nonlens contaminants. This work evaluates and compares systematically the performance of neural networks in order to move towards a rapid selection of galaxy-scale strong lenses with minimal human input in the era of deep, wide-scale surveys. We used multiband images from PDR2 of the HSC Wide survey to build test sets mimicking an actual classification experiment, with 189 strong lenses previously found over the HSC footprint and 70,910 nonlens galaxies in COSMOS. Multiple networks were trained on different sets of realistic strong-lens simulations and nonlens galaxies, with various architectures and data pre-processing. The overall performances strongly depend on the construction of the ground-truth training data and they typically, but not systematically, improve using our baseline residual network architecture. Improvements are found when applying random shifts to the image centroids and square root stretches to the pixel values, adding z band, or using random viewpoints of the original images, but not when adding difference images to subtract emission from the central galaxy. The most significant gain is obtained with committees of networks trained on different data sets, and showing a moderate overlap between populations of false positives. Nearly-perfect invariance to image quality can be achieved by training networks either with large number of bands, or jointly with the PSF and science frames. Overall, we show the possibility to reach a TPR0 as high as 60% for the test sets under consideration, which opens promising perspectives for pure selection of strong lenses without human input using the Rubin Observatory and other forthcoming ground-based surveys.

연구 동기 및 목표

• 지상 기반 영상 조사에서 은하 규모의 강력 중력 렌즈를 자동으로 고정밀도로 선별하기 위한 지도 학습 기반 신경망을 개발하고 평가하는 것.
• 특히 이미지 품질 변화와 PSF 불일치 등의 관측 효과가 있을 때도 가짜 양성 결과를 최소화하는 것.
• 진짜 양성 비율을 극대화하면서도 0 또는 매우 낮은 가짜 양성 비율을 유지하는 최적의 네트워크 아키텍처, 데이터 전처리 및 학습 전략을 규명하는 것.
• 다중 대역 영상, PSF 모델링, 데이터 증강이 일반화 능력과 시야 변화에 대한 강건성에 미치는 영향을 평가하는 것.
• 향후 깊고 넓은 분야 조사인 Rubin LSST와 같은 설계에 맞는 완전 자동화된 고처리량 렌즈 선별 파이프라인을 구현하는 것.

제안 방법

• HSC PDR2 조사의 실제 강력 렌즈 시뮬레이션과 비렌즈 은하 데이터를 기반으로 $gri$ 대역을 주요 데이터로 사용해 다수의 합성곱 신경망을 학습시켰다.
• 다양한 아키텍처(예: 잔차 네트워크(ResNets), AlexNet 유사 모델, G-CNNs)를 적용하여 설계 선택 사항 간 성능 비교를 수행했다.
• 성능 향상을 위해 무작위 이미지 중심 이동, 제곱근 변환을 통한 픽셀 값 변형, 무작위 시점 회전 등의 데이터 증강 기법을 적용했다.
• 자기장 데이터와 $g-\alpha i$ 차이 이미지(조정된 $\alpha$ 사용)의 포함 여부를 테스트하여 중심 은하 발광을 억제하고자 하였다.
• 다른 데이터 세트에서 학습된 네트워크를 조합하여 앙상블 학습을 수행함으로써 가짜 양성 결과의 겹침을 줄이고 일반화 능력을 향상시켰다.
• 렌즈 시뮬레이션 파이프라인에 실제 PSF 모델을 통합하고 과학 프레임과 PSF 컷아웃을 함께 학습시켜 시야 변화에 대한 불변성을 확보했다.

Figure 1: Mocks in our baseline ground truth data set. The first, second, and third rows contain mocks with $0.75\arcsec<\theta_{\rm E}<1.30\arcsec$ , $1.30\arcsec<\theta_{\rm E}<1.90\arcsec$ , and $1.90\arcsec<\theta_{\rm E}<2.50\arcsec$ , respectively. Cutouts have sizes of 10″ $\times$ 10″.

실험 결과

연구 질문

• RQ1 실제 강력 렌즈 데이터를 기반으로 지도 학습 기반 신경망을 학습할 때, 0개의 가짜 양성 결과에서 달성 가능한 최대 진짜 양성 비율은 얼마인가?
• RQ2 통제된 테스트 조건 하에서, 다양한 신경망 아키텍처(예: ResNet 대비 AlexNet 유사 모델)의 강력 렌즈 탐지 성능는 어떻게 비교되는가?
• RQ3 데이터 전처리 및 증강 기법은 이미지 품질 변화에 대한 일반화 능력과 강건성에 얼마나 기여하는가?
• RQ4 특히 $z$ 대역을 포함한 다중 대역 학습은 비렌즈 형태에 의한 오염을 얼마나 줄이는가?
• RQ5 다양한 데이터 세트에서 학습된 앙상블 모델은 가짜 양성 결과의 겹침을 상당히 줄이고 탐지 재현율을 향상시키는가?

주요 결과

• 최고 성능을 보인 네트워크는 0개의 가짜 양성 결과에서 진짜 양성 비율이 60%에 도달했으며, 순수 자동 선별의 가능성을 입증했다.
• ResNet 기반 아키텍처는 AlexNet 유사 모델 및 G-CNN 모델보다 일관되게 뛰어난 성능을 보였으며, TPR 0 값은 약 10–40%를 기록했다.
• 무작위 이미지 중심 이동과 제곱근 픽셀 값 변형이 성능 향상에 상당한 기여를 하였으며, 특히 PSF 아티팩트로 인한 가짜 양성 결과 감소에 효과적이었다.
• $z$-대역 데이터 포함 및 과학 프레임과 PSF 컷아웃을 함께 학습시키는 전략이 시야 변화에 대한 강건성 향상에 크게 기여했다.
• $g-\alpha i$ 차이 이미지의 추가는 성능 향상에 기여하지 않았고 중심 은하 발광 억제에도 효과적이지 않았다.
• 중간 정도의 가짜 양성 결과 겹침을 보이는 서로 다른 데이터 세트에서 학습된 네트워크 조합이 가장 높은 종합 성능을 보였으며, 앙상블 다양성의 가치를 입증했다.

Figure 2: Influence of the training data set for our baseline CNN (left, solid lines) and ResNet (right, dashed lines). We only vary the set of positive (top) and negative (bottom) examples. Networks trained on the baseline data sets (N1+L1) are plotted in dark blue. Two of the best networks from th