[论文解读] Deep Learning in Wide-field Surveys: Fast Analysis of Strong Lenses in Ground-based Cosmic Experiments

Clécio R. Bom, Jason Poh+3 more|arXiv (Cornell University)|Nov 14, 2019

Galaxies: Formation, Evolution, Phenomena参考文献 144被引用 11

一句话总结

本论文提出一种基于卷积神经网络的深度学习框架，可从模拟暗能量巡天数据的$gri$波段图像中快速估算强引力透镜的四个关键参数——爱因斯坦半径、速度弥散度以及透镜和源红移。该模型对大多数参数的准确度达到10–15%，对源红移为30%，并具备内置的不确定性估计，从而实现对下一代大视场巡天中透镜系统的快速、可扩展分析。

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.

研究动机与目标

• 为解决分析强引力透镜时存在的计算瓶颈问题，此类透镜稀少且复杂，需耗时的建模过程。
• 实现在未来大视场地面巡天（如LSST、Euclid和WFIRST）中对强透镜系统进行快速、可扩展的参数估计。
• 开发一种深度学习框架，直接从多波段成像数据预测透镜参数及其相关不确定性。
• 通过可微分的端到端回归方法替代昂贵的迭代正向建模，减少对后者的依赖。
• 为迁移学习和域适应奠定基础，以提升模型在真实观测数据上的性能。

提出的方法

• 使用LensPop框架生成的模拟$gri$波段图像对卷积神经网络（CNN）进行训练，以模拟类似DES的巡天条件。
• 该模型执行多输出回归，预测四个透镜参数：爱因斯坦半径（$\theta_{\rm E}$）、速度弥散度（$\sigma_{\rm v}$）、透镜红移（$z_{\rm l}$）和源红移（$z_{\rm s}$）。
• 通过概率输出头同时预测不确定性估计，实现对每项预测的置信度量化。
• 网络架构设计用于捕捉形态学特征和关键的透镜像结构，以支持参数推断。
• 模型训练结合了具有真实噪声、PSF退化及源混淆的合成透镜系统，以模拟真实巡天条件。
• 提出迁移学习和域适应策略，以适应真实数据，处理如外部剪切和视线投影等差异。

实验结果

研究问题

• RQ1 深度学习模型能否仅从$gri$波段成像数据中准确回归关键强透镜参数？
• RQ2 单一深度学习模型在提供相关不确定性估计的前提下，对多个透镜参数的预测能力如何？
• RQ3 当应用于包含未建模系统误差（如外部剪切和源混淆）的真实数据时，模型预测的鲁棒性如何？
• RQ4 迁移学习或域适应能否提升模型在真实观测数据上的泛化能力？
• RQ5 与传统正向建模技术相比，该模型在速度和准确度方面的性能指标如何？

主要发现

• 在模拟DES数据中，模型对爱因斯坦半径（$\theta_{\rm E}$）和透镜速度弥散度（$\sigma_{\rm v}$）的中位相对误差为10–15%，与真实值相比表现良好。
• 透镜红移（$z_{\rm l}$）的预测中位相对误差为10–15%，表明该关键宇宙学参数的预测具有高精度。
• 源红移（$z_{\rm s}$）的预测中位相对误差为30%，表明其精度适中但对宇宙学研究仍具实用性。
• 模型提供可靠的预测不确定性估计，这对后续统计推断和置信度评估至关重要。
• 该框架显著降低了透镜参数估计的计算成本，相比传统正向建模方法，可实现对大规模巡天数据集的更快分析。
• 结果表明，为弥合模拟数据与真实数据性能之间的差距，迁移学习和域适应将至关重要，尤其针对未建模的系统误差（如外部扰动和源拥挤）。