[论文解读] Gaia GraL: Gaia DR2 Gravitational Lens Systems. III. A systematic blind search for new lensed systems

L. Delchambre, A. Krone-Martins+14 more|SPIRE - Sciences Po Institutional REpository|Jul 8, 2018

Stellar, planetary, and galactic studies参考文献 70被引用 16

一句话总结

本论文仅利用Gaia DR2的天体测量和测光数据，通过极其次随机森林（ERT）方法对引力透镜候选体进行系统性盲搜，基于模拟的透镜模型对天体簇进行分类。该方法成功识别出15个新的四重像透镜候选体，以低于1%的误分类率恢复了13个已知系统的12个，证明仅凭天体测量和测光数据即可在无需图像处理的情况下实现高效的透镜探测。

ABSTRACT

Aims: In this work, we aim to provide a reliable list of gravitational lens (GL) candidates based on a search performed over the entire Gaia Data Release 2 (Gaia DR2). We also show that the sole astrometric and photometric informations coming from the Gaia satellite yield sufficient insights for supervised learning methods to automatically identify GL candidates with an efficiency that is comparable to methods based on image processing. Methods: We simulated 106,623,188 lens systems composed of more than two images, based on a regular grid of parameters characterizing a non-singular isothermal ellipsoid lens model in the presence of an external shear. These simulations are used as an input for training and testing our supervised learning models consisting of Extremely Randomized Trees. The latter are finally used to assign to each of the 2,129,659 clusters of celestial objects a discriminant value that reflects the ability of our simulations to match the observed relative positions and fluxes from each cluster. Once complemented with additional constraints, these discriminant values allowed us to identify GL candidates out of the list of clusters. Results: We report the discovery of 15 new quadruply-imaged lens candidates with angular separations less than 6" and assess the performance of our approach by recovering 12 out of the 13 known quadruply-imaged systems with all their components detected in Gaia DR2 with a misclassification rate of fortuitous clusters of stars as lens systems that is below one percent. Similarly, the identification capability of our method regarding quadruply-imaged systems where three images are detected in Gaia DR2 is assessed by recovering 10 out of the 13 known quadruply-imaged systems having one of their constituting images discarded. The associated misclassification rate varying then between 5.8% and 20%, depending on the image we decided to remove.

研究动机与目标

• 仅利用Gaia DR2的天体测量和测光数据，不依赖图像处理，识别新的强引力透镜候选体。
• 评估监督式机器学习（特别是极其次随机森林ERT）基于模拟透镜模型检测透镜系统的表现。
• 通过评估恒星簇被误分类为透镜系统的误分类率，最小化假阳性结果。
• 提供一种可靠且自动化的透镜检测方法，适用于大规模巡天，具有扩展至未来Gaia数据发布版本及多目录组合的潜力。
• 通过在不同检测条件下恢复已知的四重像透镜系统，验证该方法的有效性。

提出的方法

• 使用非奇异等温椭球透镜模型结合外部剪切，模拟106,623,188个透镜系统，覆盖透镜参数的网格。
• 在这些模拟数据上训练并测试极其次随机森林（ERT）模型，学习透镜参数与观测到的相对位置及流量比之间的关系。
• 将训练好的ERT模型应用于从Gaia DR2中提取的2,129,659个天体簇，为每个簇分配一个判别分数，反映其与模拟透镜配置的匹配质量。
• 通过视差和自行筛选，排除非静止天体，并将簇限制在角分离≤6角秒且星等差≤4等星的范围内。
• 通过均场密度、颜色差异及ERT判别分数的筛选条件选择候选体，并与光谱和测光类星体目录进行交叉匹配。
• 对2,572个高分簇进行人工目视检查，识别出15个可信的四重像透镜候选体。

实验结果

研究问题

• RQ1 仅使用Gaia DR2的天体测量和测光数据，基于监督式机器学习方法能否可靠检测强引力透镜系统？
• RQ2 当Gaia DR2中所有四个像均被检测到时，该方法对已知四重像透镜系统的恢复率是多少？
• RQ3 当已知四重像透镜系统中一个像在Gaia DR2中缺失时，该方法的表现如何？
• RQ4 在所提方法下，恒星簇被误分类为引力透镜系统的误分类率是多少？
• RQ5 该方法能否在无需深空成像数据的情况下识别出新的高概率透镜候选体？

主要发现

• 当所有四个像均在Gaia DR2中被检测到时，该方法成功恢复了13个已知四重像透镜系统中的12个，恒星簇被误分类为透镜系统的误分类率低于1%。
• 当一个像被排除时，该方法恢复了13个已知系统的10个，误分类率在5.83%至20%之间，具体取决于缺失的像。
• 当所有四个像均存在时，ERT模型在系统识别上表现出高精度，证实其在高保真度检测场景下的鲁棒性。
• 本研究识别出15个新的四重像透镜候选体，其中1个已通过光谱观测确认，展示了该方法的发现潜力。
• 与预测数量相比，识别出的候选体数量较少，归因于Gaia DR2中对源的过滤，该过滤排除了少于三个像被检测到的系统，这一限制预计将在未来数据发布中得到改善。
• 该方法可推广至其他多 epoch 和多波段目录（如Pan-STARRS、DES 和 SDSS），当与Gaia DR2结合使用时具有适用性。