[논문 리뷰] Strong lensing in UNIONS: Toward a pipeline from discovery to modeling

Élodie Savary, K. Rojas외 17명|arXiv (Cornell University)|2021. 10. 22.

Adaptive optics and wavefront sensing인용 수 2

한 줄 요약

이 논문은 단일 대역 이미징에서 자동 강력 렌즈 탐지 및 모델링을 위한 엔드 투 엔드 파이프라인을 제시한다. 컨volutional 신경망(CNN) 위원회를 사용하여 CFIS r-대역 데이터 2,500 deg²에서 133개의 렌즈 후보(새로운 것 104개 포함)를 식별하고, SIE+shear 모델링 및 새로운 오토에인코더 기반 분리 방법을 적용하여, 향후 유클리드 유사 설문 조사에서 고정밀도, 확장 가능한 렌즈 탐지 및 특성 분석의 가능성을 입증한다.

ABSTRACT

We present a search for galaxy-scale strong gravitational lenses in the initial 2 500 square degrees of the Canada-France Imaging Survey (CFIS). We designed a convolutional neural network (CNN) committee that we applied to a selection of 2 344 002 exquisite-seeing $r$-band images of color-selected luminous red galaxies (LRGs). Our classification uses a realistic training set where the lensing galaxies and the lensed sources are both taken from real data, namely the CFIS $r$-band images themselves and the Hubble Space Telescope (HST). A total of 9 460 candidates obtain a score above 0.5 with the CNN committee. After a visual inspection of the candidates, we find a total of 133 lens candidates, of which 104 are completely new. The set of false positives mainly contains ring, spiral, and merger galaxies, and to a lesser extent galaxies with nearby companions. We classify 32 of the lens candidates as secure lenses and 101 as maybe lenses. For the 32 highest quality lenses, we also fit a singular isothermal ellipsoid mass profile with external shear along with an elliptical Sersic profile for the lens and source light. This automated modeling step provides distributions of properties for both sources and lenses that have Einstein radii in the range $0.5\arcsec< heta_E<2.5\arcsec$. Finally, we introduce a new lens and/or source single-band deblending algorithm based on auto-encoder representation of our candidates. This is the first time an end-to-end lens-finding and modeling pipeline is assembled together, in view of future lens searches in a single band, as will be possible with Euclid.

연구 동기 및 목표

• 대규모 설문 조사에서 강력 렌즈 샘플의 부족 문제를 해결하기 위해 자동화되고 확장 가능한 렌즈 발견 및 모델링 파이프라인 개발.
• 기존 렌즈 탐색의 한계를 극복하기 위해 깊고 고품질의 단일 대역 이미징에서 렌즈 선택 탐지 기능을 제공.
• 고도의 딥 러닝과 자동 분리 기능을 통해 렌즈 후보 검증 및 모델링의 인간 간섭 최소화.
• 유클리드에서 제공될 단일 대역 데이터만을 사용하여 엔드 투 엔드 렌즈 탐지, 분리, 질량 모델링의 가능성을 입증.
• 향후 렌즈 탐지 알고리즘 훈련 자원을 제공하기 위해 강력 렌즈 형태를 모방하는 1,568개의 가짜 양성(합성, 고리형, 나선형 은하)을 카탈로그화.

제안 방법

• 실제 CFIS r-대역 이미지와 허블 우주 망원경(HST) 데이터를 기반으로 렌즈화된 은하와 렌즈된 소스를 활용해 현실적인 훈련 세트를 구성하고, CNN 위원회를 훈련.
• CNN 위원회를 레드 시프트가 높은 적색 빨간 은하(LRGs)의 2,344,002개 고품질 r-대역 이미지에 적용하여 분류 점수 0.5 이상을 가진 9,460개 후보를 할당.
• CNN 후보에 대해 공동 시각적 점검을 실시하여 133개의 렌즈 후보(새로운 것 104개 포함)를 식별, 그 중 32개는 확실한 렌즈로, 101개는 가능성이 있는 렌즈로 분류.
• lenstronomy 소프트웨어를 사용하여 입자 군집 최적화와 마르코프 체인 몬테카를로 샘플링을 활용해 32개의 고품질 렌즈 후보에 대해 SIE+shear 질량 모델링 수행.
• 다중 대역 데이터 없이도 렌즈 및 소스 빛을 분리할 수 있도록 렌즈 후보의 오토에인코더 표현 기반으로 새로운 단일 대역 분리 알고리즘 개발.
• 모델링 중에 렌즈 및 소스 성분을 고립하기 위한 자동 마스킹 절차를 구현하여 정확도 향상과 오염 감소.

실험 결과

연구 질문

• RQ1 단일 대역 이미징에서 고신뢰도와 낮은 인간 간섭으로 강력 렌즈 후보를 완전 자동 파이프라인으로 탐지할 수 있는가?
• RQ2 실제 데이터(CFIS 및 HST)로 훈련된 CNN 위원회가 진정한 강력 렌즈와 형태학적 가짜 양성 간에 효과적으로 구분할 수 있는가?
• RQ3 오토에인코더 기반 분리 기능과 함께 단일 SIE+shear 모델이 단일 대역 데이터에서 렌즈 및 소스 특성을 얼마나 정확히 복원할 수 있는가?
• RQ4 깊은 단일 대역 설문 조사에서 강력 렌즈 특징을 가장 자주 모방하는 형태학적 오염자는 어떤가?
• RQ5 분리 및 모델링 출력의 통합이 향후 렌즈 설문 조사에서 CNN 분류 성능을 향상시키고 인간 검토 필요성을 줄일 수 있는가?

주요 결과

• CNN 위원회가 점수 >0.5를 가진 9,460개 후보를 식별했으며, 시각적 점검 후 133개의 렌즈 후보(새로운 것 104개 포함)로 확인.
• 가짜 양성 비율은 주로 고리형 은하(369개), 나선형 은하(961개), 합성계(238개)로 구성되었으며, 향후 모델 훈련을 위한 공개 카탈로그로 정리.
• 32개의 최고 품질 렌즈 후보에 대해 SIE+shear 모델은 0.5′′ < θE < 2.5′′ 범위의 에인슈타인 반경을 성공적으로 맞추었으며, 마스킹 또는 소스 오분류로 인한 모델링 실패는 3건 뿐.
• 오토에인코더 기반 분리 알고리즘이 단일 대역 이미지에서 렌즈 및 소스 빛을 효과적으로 분리할 수 있었으며, 향후 유클리드 유사 설문 조사에 핵심 단계가 되었다.
• 파이프라인이 단일 대역 데이터로도 고정밀도 렌즈 모델링이 가능함을 입증하였으며, 특히 깊고 고해상도 이미징과 조합할 경우 더욱 유리.
• 후보 검증 및 모델링에 인간 검증이 여전히 필요하지만, 향후 가짜 양성 카탈로그로 재훈련하고 모델링 출력을 통합함으로써 이 필요성을 크게 줄일 수 있을 것.