[논문 리뷰] Selection functions of strong lens finding neural networks

Aniruddh Herle, Conor M. O’Riordan외 1명|arXiv (Cornell University)|2023. 07. 19.

Pulsars and Gravitational Waves ResearchPhysics and Astronomy인용 수 3

한 줄 요약

이 논문은 강한 중력 렌즈 탐지에 사용되는 합성곱 신경망(CNN)의 선택 함수를 체계적으로 조사하여, 이러한 모델이 더 큰 아이н스타인 반경, 더 농축된 소스 빛, 더 높은 렌즈 타원도를 가진 시스템으로 편향을 유도함을 밝혀냈다. 특히 퀘이사-렌즈 시스템에서 두드러지며, 렌즈 질량 프로파일 기울기에는 민감하지 않다. 이러한 발견은 신경망의 선택 효과가 본질적인 렌즈 단면적 편향을 강화하므로, 향후 광역 탐사에서 보정이 반드시 필요함을 시사한다.

ABSTRACT

Convolution Neural Networks trained for the task of lens finding with similar architecture and training data as is commonly found in the literature are biased classifiers. An understanding of the selection function of lens finding neural networks will be key to fully realising the potential of the large samples of strong gravitational lens systems that will be found in upcoming wide-field surveys. We use three training datasets, representative of those used to train galaxy-galaxy and galaxy-quasar lens finding neural networks. The networks preferentially select systems with larger Einstein radii and larger sources with more concentrated source-light distributions. Increasing the detection significance threshold to 12$σ$ from 8$σ$ results in 50 per cent of the selected strong lens systems having Einstein radii $θ_\mathrm{E}$ $\ge$ 1.04 arcsec from $θ_\mathrm{E}$ $\ge$ 0.879 arcsec, source radii $R_S$ $\ge$ 0.194 arcsec from $R_S$ $\ge$ 0.178 arcsec and source Sérsic indices $n_{\mathrm{Sc}}^{\mathrm{S}}$ $\ge$ 2.62 from $n_{\mathrm{Sc}}^{\mathrm{S}}$ $\ge$ 2.55. The model trained to find lensed quasars shows a stronger preference for higher lens ellipticities than those trained to find lensed galaxies. The selection function is independent of the slope of the power-law of the mass profiles, hence measurements of this quantity will be unaffected. The lens finder selection function reinforces that of the lensing cross-section, and thus we expect our findings to be a general result for all galaxy-galaxy and galaxy-quasar lens finding neural networks.

연구 동기 및 목표

• 신경망 기반 렌즈 탐지기가 강한 중력 렌즈 샘플에 어떤 방식으로 선택 편향을 유도하는지 이해하기.
• 학습 데이터와 모델 아키텍처가 렌즈 탐지 CNN의 선택 함수에 미치는 영향을 정량화하기.
• 이러한 편향이 렌즈 질량 프로파일 기울기와 독립적인지 여부 또는 소스 및 렌즈 형태구조에 따라 달라지는지 평가하기.
• 감지 유의수준 임계값이 복구된 렌즈 집단의 특성에 어떤 영향을 미치는지 평가하기.
• 딥 러닝을 활용한 대규모 렌즈 탐사에서 시스템적 편향을 보정하기 위한 기초를 제공하기.

제안 방법

• 은하-은하 및 은하-쿼라서 렌즈 탐사의 특성을 반영하는 세 가지 합성 데이터셋에 기반한 ResNet18 기반 CNN을 훈련시켰다.
• 아이인스타인 반경, 소스 크기, 세르시 지수, 렌즈 타원도, 질량 프로파일 기울기 등을 제어한 렌즈된 이미지를 시뮬레이션했다.
• 감지 유의수준 임계값을 8σ와 12σ로 설정하여 임계값 변화가 렌즈 시스템 선택에 미치는 영향을 평가했다.
• 해석 가능성 기법을 적용하여 네트워크의 분류 결정에 가장 영향을 미치는 렌즈 및 소스 파라미터를 규명했다.
• 다양한 학습 데이터셋 간의 선택 함수를 비교하여 소스 및 렌즈 형태구조의 영향을 분리했다.
• 렌즈의 파워 법칙 기울기와의 독립성을 평가하여, 이는 핵심 천체물리학적 파rameter이다.

실험 결과

연구 질문

• RQ1 렌즈 탐지 CNN은 아이인스타인 반경과 소스 크기에 대해 강한 렌즈 시스템 선택에 어떤 편향을 유도하는가?
• RQ2 렌즈 타원도는 퀘이사-렌즈와 은하-렌즈 탐지 네트워크의 선택 함수에서 어떤 역할을 하는가?
• RQ3 CNN 기반 렌즈 탐지기의 선택 함수는 렌즈 질량 프로파일 기울기에 의존하는가?
• RQ4 감지 유의수준 임계값(예: 8σ 대비 12σ)의 변화가 선택된 렌즈 시스템의 형태학적 특성에 어떤 영향을 미치는가?
• RQ5 학습 데이터 특성(예: 소스 빛 모델의 복잡성)이 유발하는 선택 편향의 정도는 어느 정도인가?

주요 결과

• 감지 유의수준 임계값을 8σ에서 12σ로 상향조정함에 따라 선택된 렌즈의 중앙값 아이인스타인 반경이 0.879 arcsec에서 1.04 arcsec으로 증가한다.
• 동일한 임계값 상향 조정으로 중앙값 소스 반경은 0.178 arcsec에서 0.194 arcsec으로, 중앙값 세르시 지수는 2.55에서 2.62로 증가한다.
• 렌즈된 퀘이사를 탐지하도록 훈련된 신경망은 은하-은하 렌즈를 위한 것보다 더 높은 렌즈 타원도를 선호하는 경향이 뚜렷하다.
• 선택 함수는 렌즈 질량 프로파일의 파워 법칙 기울기에 독립적이므로, 이 파rameter의 측정치는 네트워크에 의해 편향되지 않는다.
• 더 큰 아이인스타인 반경과 더 농축된 소스 빛 분포가 선택의 주요 원동력이며, 네트워크는 시각적으로 더 쉽게 식별 가능한 시스템을 선호한다.
• 선택 편향은 본질적인 렌즈 단면적 편향을 강화하므로, 이 발견은 유사한 CNN 기반 렌즈 탐지기 전반에 일반화 가능하다.