[논문 리뷰] Deep Learning in Wide-field Surveys: Fast Analysis of Strong Lenses in Ground-based Cosmic Experiments

Clécio R. Bom, Jason Poh외 3명|arXiv (Cornell University)|2019. 11. 14.

Galaxies: Formation, Evolution, Phenomena참고 문헌 144인용 수 11

한 줄 요약

이 논문은 강한 중력 렌즈의 네 가지 핵심 매개변수—아인슈타인 반경, 속도 분산, 렌즈 및 소스 적색편이—를 시뮬레이션된 다크 에너지 조사(Dark Energy Survey) 데이터의 $gri$-대역 이미지에서 빠르게 추정하기 위해 컨volution 신경망을 사용하는 딥러닝 프레임워크를 제안한다. 모델은 대부분의 매개변수에 대해 10–15%의 정확도를 달성하고 소스 적색편이에 대해 30%의 정확도를 보이며, 내장된 불확실성 추정을 통해 향후 광역 천문조사에서 렌즈 시스템의 빠르고 확장 가능한 분석을 가능하게 한다.

ABSTRACT

Searches and analyses of strong gravitational lenses are challenging due to the rarity and image complexity of these astronomical objects. Next-generation surveys (both ground- and space-based) will provide more opportunities to derive science from these objects, but only if they can be analyzed on realistic time-scales. Currently, these analyses are expensive. In this work, we present a regression analysis with uncertainty estimates using deep learning models to measure four parameters of strong gravitational lenses in simulated Dark Energy Survey data. Using only $gri$-band images, we predict Einstein Radius, lens velocity dispersion, lens redshift to within $10-15\%$ of truth values and source redshift to $30\%$ of truth values, along with predictive uncertainties. This work helps to take a step along the path of faster analyses of strong lenses with deep learning frameworks.

연구 동기 및 목표

• 강한 중력 렌즈 분석의 계산적 병목 현상을 해결하기 위해, 희귀하고 복잡하여 시간이 오래 소요되는 모델링이 필요하다.
• 향후 광역 지상 기반 조사인 LSST, Euclid, WFIRST와 같은 조사에서 강한 렌즈 시스템에 대한 빠르고 확장 가능한 매개변수 추정을 가능하게 하기 위해.
• 다중 대역 이미징 데이터에서 직접 렌즈 매개변수와 관련된 불확실성을 예측할 수 있는 딥러닝 프레임워크를 개발하기 위해.
• 반복적인 정방향 모델링에 대한 의존도를 줄이기 위해, 미분 가능하고 종단 간 전이 회귀 접근 방식으로 대체하기 위해.
• 실제 관측 데이터에 대한 성능 향상을 위해 전이 학습과 도메인 적응을 위한 기반을 마련하기 위해.

제안 방법

• LensPop 프레임워크를 사용해 DES 유사 조사 조건을 모의한 $gri$-대역 이미지를 기반으로 컨volution 신경망(CNN)을 훈련한다.
• 모델은 아인슈타인 반경 ($\theta_{\rm E}$), 속도 분산 ($\sigma_{\rm v}$), 렌즈 적색편이 ($z_{\rm l}$), 소스 적색편이 ($z_{\rm s}$)의 네 가지 렌즈 매개변수를 예측하기 위해 다중 출력 회귀를 수행한다.
• 확률적 출력 헤드를 사용해 매개변수 예측과 함께 불확실성 추정을 동시에 예측하여 각 예측의 신뢰도를 정량화할 수 있도록 한다.
• 렌즈 매개변수 추론에 핵심적인 형태적 특징과 렌즈된 이미지 구조를 포착할 수 있도록 네트워크 아키텍처를 설계한다.
• 모델 훈련은 실제 조사 조건을 모의하기 위해 현실적인 노이즈, PSF 열악화, 소스 혼잡함을 포함한 합성 렌즈 시스템의 조합을 사용한다.
• 외부 전단과 천체선 경로 투영 등의 차이를 고려해 실제 데이터에 적응시키기 위해 전이 학습 및 도메인 적응 전략을 제안한다.

실험 결과

연구 질문

• RQ1 딥러닝 모델은 $gri$-대역 이미징 데이터만으로도 강한 렌즈의 핵심 매개변수를 정확하게 회귀 분석할 수 있는가?
• RQ2 단일 딥러닝 모델이 관련 불확실성 추정과 함께 여러 렌즈 매개변수를 얼마나 잘 예측할 수 있는가?
• RQ3 외부 전단과 소스 혼잡성과 같은 모델링되지 않은 체계적 오차가 있는 실제 데이터에 적용했을 때 모델의 예측은 어느 정도 강인한가?
• RQ4 전이 학습이나 도메인 적응을 통해 모델의 일반화 성능을 향상시킬 수 있는가?
• RQ5 속도와 정확도 측면에서 전통적인 정방향 모델링 기법과 비교했을 때 모델의 성능 지표는 어떻게 되는가?

주요 결과

• 모델은 시뮬레이션된 DES 데이터에서 진짜 값과 비교해 아인슈타인 반경 ($\theta_{\rm E}$)과 렌즈 속도 분산 ($\sigma_{\rm v}$)을 중앙 상대 오차 10–15%로 예측한다.
• 렌즈 적색편이 ($z_{\rm l}$)는 중앙 상대 오차 10–15%로 예측되어 이 중요한 천체물리학적 매개변수에 대해 높은 정확도를 보인다.
• 소스 적색편이 ($z_{\rm s}$)는 중앙 상대 오차 30%로 예측되어 천체물리학 연구에 있어 중간 정도이지만 유용한 정밀도를 보인다.
• 모델은 신뢰할 수 있는 예측 불확실성 추정을 제공하며, 이는 후속 통계적 추론과 신뢰도 평가에 필수적이다.
• 전통적인 정방향 모델링에 비해 렌즈 매개변수 추정의 계산 비용을 크게 감소시켜 대규모 조사 데이터셋의 분석 속도를 크게 향상시킨다.
• 결과는 전이 학습과 도메인 적응이 외부 편향과 혼잡성과 같은 모델링되지 않은 체계적 오차로 인해 시뮬레이션과 실제 데이터 간 성능 격차를 줄이기 위해 필수적일 것임을 시사한다.