[论文解读] Gaia GraL: Gaia DR2 Gravitational Lens Systems. VI. Spectroscopic Confirmation and Modeling of Quadruply-Imaged Lensed Quasars

Daniel Stern, S. G. Djorgovski+24 more|arXiv (Cornell University)|Dec 18, 2020

Gamma-ray bursts and supernovae参考文献 79被引用 34

一句话总结

本文利用Gaia DR2、WISE测光和光学光变曲线，通过机器学习识别候选体，对Gaia引力透镜（GraL）巡天中12个新四重像透镜类星体进行了光谱确认和透镜建模。研究将已知四重像类星体数量提高了20%，显著推进了强引力透镜宇宙学和黑洞物理研究。

ABSTRACT

Combining the exquisite angular resolution of Gaia with optical light curves and WISE photometry, the Gaia Gravitational Lenses group (GraL) uses machine learning techniques to identify candidate strongly lensed quasars, and has confirmed over two dozen new strongly lensed quasars from the Gaia Data Release 2. This paper reports on the 12 quadruply-imaged quasars identified by this effort to date, which is approximately a 20% increase in the total number of confirmed quadruply-imaged quasars. We discuss the candidate selection, spectroscopic follow-up, and lens modeling. We also report our spectroscopic failures as an aid for future investigations.

研究动机与目标

• 利用Gaia DR2天体测量、测光和机器学习技术识别并确认新的强引力透镜类星体。
• 应对寻找稀有四重像类星体的挑战，此类类星体对高精度宇宙学与天体物理建模至关重要。
• 通过多波段数据和光谱验证提升透镜建模的准确性。
• 记录光谱失败案例，以指导未来透镜探测工作并优化机器学习流程。
• 支持多波段后续观测，包括X射线、射电和近红外观测，以实现更深入的物理表征。

提出的方法

• 采用基于分层三角形网格的监督式机器学习方法，依据Gaia DR2的天体测量和测光特性识别潜在的类星体透镜候选体。
• 结合Gaia数据、光学光变曲线和WISE中红外测光，提升候选体筛选的灵敏度。
• 利用大型地面望远镜（凯克、Gemini、帕洛玛等）进行光谱后续观测，以确认类星体透镜系统。
• 应用SIS+γ和SIE+γ透镜模型拟合观测到的像配置，利用临界曲线和包络线验证预测结果。
• 引入PanSTARRS成像以改善复杂系统中透镜星系位置的约束。
• 使用卡方统计量评估模型在像位置、流量比和星系光度分布上的拟合优度。

实验结果

研究问题

• RQ1 利用Gaia DR2和多波段数据，能够确认多少个新的四重像类星体？
• RQ2 类星体候选体光谱后续观测中的主要失败模式是什么？这些失败模式如何为未来探测流程提供指导？
• RQ3 SIS+γ和SIE+γ模型在多大程度上能准确再现这些系统中观测到的像配置和流量比？
• RQ4 GraL识别的类星体透镜系统在红移、像间距和透镜质量分布方面与以往已知系统相比如何？
• RQ5 这些新系统对测量哈勃常数以及探测暗物质和黑洞物理具有何种意义？

主要发现

• GraL团队从Gaia DR2中确认了12个新的四重像类星体，使已知此类系统的总数增加了约20%。
• 光谱后续观测确认了多重像的类星体本质，红移范围为z ≈ 0.7至z ≈ 3.3，且在像间距小至约0.6角秒的系统中也确认了引力透镜效应。
• SIS+γ和SIE+γ模型对像配置的拟合效果良好，卡方减少值范围从约0.01至约12,700，具体取决于系统复杂度和数据质量。
• 一个系统GraL J165105.3−041725表现出较高的透镜剪切（γ = 0.31）和较大的爱因斯坦半径（θE = 3.46′′），表明其为质量巨大的透镜星系。
• 光谱失败主要源于恒星源混合、背景AGN干扰和双星系统误判，12%的候选体未能成功确认。
• 研究结果为后续Gaia数据发布（特别是Gaia EDR3）提供了改进的机器学习策略，显著提升了未来类星体透镜发现的筛选效率。