[论文解读] Dark Matter Subhalos, Strong Lensing and Machine Learning

Sreedevi Varma, Malcolm Fairbairn+1 more|arXiv (Cornell University)|May 11, 2020

Galaxies: Formation, Evolution, Phenomena参考文献 87被引用 5

一句话总结

本文提出使用卷积神经网络（CNNs）检测强引力透镜星系图像中暗物质亚结构的低质量截止，模拟了从10⁶到10⁹ M☉的七个质量范围的亚结构。该方法在分类亚结构质量截止时准确率超过93%，展示了机器学习通过引力透镜探测暗物质粒子物理的潜力。

ABSTRACT

We investigate the possibility of applying machine learning techniques to images of strongly lensed galaxies to detect a low mass cut-off in the spectrum of dark matter sub-halos within the lens system. We generate lensed images of systems containing substructure in seven different categories corresponding to lower mass cut-offs ranging from $10^9M_\odot$ down to $10^6M_\odot$. We use convolutional neural networks to perform a multi-classification sorting of these images and see that the algorithm is able to correctly identify the lower mass cut-off within an order of magnitude to better than 93% accuracy.

研究动机与目标

• 探究机器学习是否能够利用强引力透镜图像检测暗物质亚结构质量函数的下限截止。
• 通过模拟具有不同亚结构质量截止（10⁶–10⁹ M☉）的逼真透镜图像，训练并测试分类模型。
• 评估在受控数值实验中使用深度学习区分不同亚结构质量函数截止的可行性。
• 在不进行数据增强或预处理的情况下，评估分类在真实噪声和结构复杂性下的鲁棒性。
• 为未来将此类方法应用于真实观测数据以约束暗物质粒子性质奠定基础。

提出的方法

• 使用基于N体模拟的亚结构分布生成具有亚结构的星系透镜图像，质量截止分为七个不同类别，从10⁶ M☉到10⁹ M☉。
• 训练一个类似ResNet的卷积神经网络（CNN），在这些模拟的透镜图像上执行多类别分类，不进行数据增强或预处理。
• 在10,000张图像的测试集上评估模型性能，通过类别准确率和相邻类别误分类率进行衡量。
• 使用两个指标评估分类性能：(1) 正确分配到其精确类别的图像比例；(2) 正确分配到相邻类别（对数质量±0.5 dex范围内）的图像比例。
• 训练过程采用标准反向传播和随机梯度下降，未使用预训练或迁移学习。
• 该方法利用亚结构扰动引起的爱因斯坦环和弧的空间模式，推断亚结构质量函数的截止。

实验结果

研究问题

• RQ1 机器学习技术能否在强引力透镜星系图像中检测暗物质亚结构的低质量截止？
• RQ2 CNN在区分七种质量范围的亚结构质量函数下限截止时，对模拟透镜图像的分类准确率如何？
• RQ3 误分类在多大程度上集中在相邻质量类别附近，表明该方法的鲁棒性？
• RQ4 当分类任务中的类别数量从4个增加到7个时，CNN的性能如何变化？
• RQ5 尽管存在非均匀的恒星光分布等复杂性，该方法能否扩展到真实观测数据？

主要发现

• 当在七个质量类别之间区分时，CNN在正确识别亚结构质量截止类别的准确率达到92.51%。
• 当考虑相邻类别（对数质量±0.5 dex范围内）时，分类准确率提升至98.46%，表明对质量估计的小误差具有鲁棒性。
• 误分类主要集中在真实类别的相邻类别，表明模型学习到了有意义的质量尺度区分，而非随机噪声。
• 该方法在未经过数据增强的未见测试图像上表现出强大的泛化能力，表明对图像变异具有鲁棒性。
• 将类别数从四个增加到七个提升了分类性能，表明更高分辨率的质量函数分类是可行的。
• 结果证明了深度学习可检测透镜图像中亚结构质量函数截止的可行性，经进一步优化后具有未来应用于真实数据的潜力。