[论文解读] Gaia DR2 Gravitational Lens Systems I: New lensed quasar candidates around known quasars

A. Krone-Martins, L. Delchambre+12 more|arXiv (Cornell University)|Apr 30, 2018

Galaxies: Formation, Evolution, Phenomena参考文献 33被引用 16

一句话总结

本研究利用盖亚DR2的高精度天体测量和光度测量，通过将类星体列表与盖亚源交叉匹配，应用天体测量和光度一致性筛选条件，并使用机器学习模型（极化随机森林）为引力透镜概率赋值，识别出新的强引力透镜类星体候选体。研究报告了三个新的四重像类星体候选体，其建模残差小于1毫角秒，展示了盖亚DR2在超越其主要任务目标范围的全天引力透镜探测方面独特的潜力。

ABSTRACT

Context. Strong gravitationally lensed quasars are among the most interesting and useful observable extragalactic phenomena. Because their study constitutes a unique tool in various fields of astronomy, they are highly sought, not without difficulty. Indeed, even in this era of all-sky surveys, their recognition remains a great challenge, with barely a few hundred currently known systems. Aims. In this work we aim to detect new strongly lensed quasar candidates in the recently published Gaia Data Release 2 (DR2), which is the highest spatial resolution astrometric and photometric all-sky survey, attaining effective resolutions from 0.4" to 2.2". Methods. We cross-matched a merged list of quasars and candidates with the Gaia DR2 and found 1,839,143 counterparts within 0.5". We then searched matches with more than two Gaia DR2 counterparts within 6". We further narrowed the resulting list using astrometry and photometry compatibility criteria between the Gaia DR2 counterparts. A supervised machine learning method, Extremely Randomized Trees, is finally adopted to assign to each remaining system a probability of being lensed. Results. We report the discovery of three quadruply-imaged quasar candidates that are fully detected in Gaia DR2. These are the most promising new quasar lens candidates from Gaia DR2 and a simple singular isothermal ellipsoid lens model is able to reproduce their image positions to within $\sim$1 mas. This letter demonstrates the gravitational lens discovery potential of Gaia.

研究动机与目标

• 利用盖亚DR2的高精度天体测量和光度数据检测新的强引力透镜类星体候选体，这些数据特别适合分辨近距离分离系统。
• 通过实现全天、星等限制的普查，克服已知透镜类星体数量稀少（少于500个）的挑战。
• 证明盖亚DR2可在不依赖透镜先验知识的前提下，仅通过多源位置和光度一致性检测透镜类星体。
• 通过简单的单体等温椭球（SIE）建模和机器学习概率赋值，验证候选体的透镜假说。

提出的方法

• 将包含310万个类星体及候选体的合并列表与盖亚DR2进行交叉匹配，发现1,839,143个在0.5”内的对应体。
• 通过识别在6”内存在两个以上对应体的源簇，筛选潜在的透镜系统。
• 应用天体测量和光度兼容性标准，过滤虚假匹配，保留合理的透镜配置。
• 使用一种监督式机器学习模型——极化随机森林（Extremely Randomized Trees），基于单体等温椭球（SIE）透镜模型对候选系统分配透镜概率。
• 对最有可能的候选体进行简单的SIE建模，以检验像位置的一致性，获得约1毫角秒的残差。
• 利用盖亚DR2的高分辨率天体测量（0.4”至2.2”）和G波段光度数据验证结果。

实验结果

研究问题

• RQ1 盖亚DR2的高精度天体测量和光度测量能否在不依赖透镜先验假设的前提下检测新的强引力透镜类星体候选体？
• RQ2 盖亚DR2中类星体对应体中有多少比例表现出强引力透镜的天体测量和光度特征？
• RQ3 基于SIE透镜模型训练的机器学习模型能否可靠地区分全天巡天中的透镜类星体候选体与假阳性？
• RQ4 简单的SIE模型在多大程度上能准确复现新识别的透镜类星体候选体的像配置？

主要发现

• 仅基于盖亚DR2数据发现了三个新的四重像类星体候选体，这是首次实现完全基于数据、无需先验知识的全天范围此类系统探测。
• 三个候选体的像位置由单体等温椭球（SIE）透镜模型拟合，残差约为1毫角秒，表明建模精度极高。
• 机器学习模型为最优先的候选体分配了高透镜概率，证实其作为透镜系统的合理性。
• 本研究在盖亚DR2中识别出180万个类星体对应体，形成一个丰富的数据集，可为未来的透镜探测和宇宙学研究提供支持。
• 盖亚DR2的有效空间分辨率为0.4”至2.2”，能够探测图像分离小至约0.18”的透镜类星体系统，显著优于以往的全天巡天。
• 结果表明，尽管盖亚并非专为河外天体研究而设计，但其提供的数据集对强引力透镜研究具有变革性意义，有望使已知透镜类星体数量增加一个数量级以上。