[논문 리뷰] Hunting for Dark Matter Subhalos in Strong Gravitational Lensing with Neural Networks

Joshua Yao-Yu Lin, Hang Yu외 3명|arXiv (Cornell University)|2020. 10. 24.

Galaxies: Formation, Evolution, Phenomena참고 문헌 12인용 수 4

한 줄 요약

이 논문은 전통적인 렌즈 모델링을 거치지 않고 강한 중력 렌즈 이미지에서 암흑 물질 준은하를 탐지하기 위해 딥 네ural 네트워크를 사용하는 것을 제안한다. 준은하 확률 맵을 타깃으로 삼은 시뮬레이션된 렌즈 데이터로 훈련된 네트워크는 다수의 준은하를 정확하게 탐지하며, 부드러운 렌즈 아치에서 잘못된 검출을 거부하는 것을 놀랍게도 학습한다. 이미지당 추론 시간은 1초 이내이다.

ABSTRACT

Dark matter substructures are interesting since they can reveal the properties of dark matter. Collisionless N-body simulations of cold dark matter show more substructures compared with the population of dwarf galaxy satellites observed in our local group. Therefore, understanding the population and property of subhalos at cosmological scale would be an interesting test for cold dark matter. In recent years, it has become possible to detect individual dark matter subhalos near images of strongly lensed extended background galaxies. In this work, we discuss the possibility of using deep neural networks to detect dark matter subhalos, and showing some preliminary results with simulated data. We found that neural networks not only show promising results on detecting multiple dark matter subhalos, but also learn to reject the subhalos on the lensing arc of a smooth lens where there is no subhalo.

연구 동기 및 목표

• 계산 비용이 많이 드는 렌즈 모델링을 회피하고, 강한 중력 렌즈 이미지에서 암흑 물질 준은하를 자동으로 빠르게 탐지하는 방법을 개발하기 위해.
• 딥 러닝이 현실적인 준구조 분포를 가진 복잡한 렌즈 시스템에서 동시에 다수의 준은하를 탐지할 수 있는지 조사하기 위해.
• 신경망이 부드러운 렌즈 포텐셜에 의해 유도되는 가짜 준은하 신호를 어떻게 암묵적으로 거부할 수 있는지 탐색하기 위해.
• 향후 대규모 렌즈 설문 조사(예: LSST, Euclid)에서 약 170,000개의 강한 렌즈 시스템을 다룰 수 있는 확장 가능한 분석을 가능하게 하기 위해.

제안 방법

• 준은하 확률 맵을 타깃으로 삼아, 시뮬레이션된 강한 렌즈 이미지에서 훈련된 컨볼루션 신경망(DenseNet 및 ResNet)을 사용한다.
• 박편 렌즈 근사에서의 레이 트레이싱을 사용하여, 부드러운 SIE 또는 힘의 법칙 매크로 모델과 함께 임베딩된 준은하를 포함한 224×224 렌즈 이미지를 생성한다.
• 준은하 위치 가능성의 가능성을 표현하기 위해 절단이 있는 가우시안 분포를 사용하여 준은하 확률 맵을 구성하였으며, 이는 이진 교차 엔트로피 손실을 통한 회귀를 가능하게 한다.
• 사전 훈련된 CNN의 최종 레이어를 수정하여 56×56×1 확률 맵을 출력하도록 하였으며, 공간 해상도를 유지한다.
• 입력 이미지를 [0,1] 범위로 정규화하고, RGB 입력 요구 조건을 충족시키기 위해 채널을 복제하였다.
• 예측된 확률 맵과 진짜 준은하 확률 맵 간의 이진 교차 엔트로피 손실을 최소화하도록 네트워크를 훈련시켰다.

실험 결과

연구 질문

• RQ1 딥 뉴럴 네트워크는 명시적인 렌즈 모델링 없이도 강한 렌즈 이미지에서 다수의 암흑 물질 준은하를 탐지할 수 있는가?
• RQ2 준은하 확률 맵만으로 훈련된 신경망은 준은하가 존재하지 않는 부드러운 렌즈 아치에서 잘못된 검출을 어떻게 거부할 수 있는가?
• RQ3 속도와 정확도 측면에서 전통적인 가능도 기반 방법에 비해 신경망의 성능은 어떻게 비교되는가?
• RQ4 특히 이러한 특징에 대해 명시적으로 훈련되지 않았음에도 불구하고, 누적 준구조 효과가 아치에 영향을 주는 복잡한 렌즈 시스템에 대해 네트워크는 일반화할 수 있는가?

주요 결과

• 신경망은 시뮬레이션된 렌즈 이미지에서 다수의 준은하를 성공적으로 탐지하였으며, 확률 맵에서 그들의 위치를 정확하게 예측하였다.
• 준은하가 존재하지 않는 경우, 네트워크는 검출을 0으로 예측하여 준은하가 없는 시스템으로의 일반화가 올바르게 이루어졌음을 확인하였다.
• 부드러운 모델의 렌즈 아치를 따라 지역에서 낮은 확률을 할당함으로써 네트워크는 명시적인 지도 없이도 잘못된 검출을 효과적으로 거부하였다.
• 단일 GPU를 사용하여 이미지당 추론 시간이 1초 이내였으며, 이는 하루가 넘게 소요되는 전통적 모델링 방법에 비해 극적으로 빠른 속도 향상이다.
• 부드러운 아치에서 준은하를 거부하는 능력은 명시적으로 프로그래밍되지 않은 잠재적 특성으로 나타났으며, 이는 강력한 특징 학습 능력을 시사한다.
• 이 방법은 LSST 및 Euclid와 같은 대규모 설문 조사에 대해 확장 가능하며, 자동화되고 빠른 준은하 탐지가 필수적인 상황에서 큰 잠재력을 보여준다.