[论文解读] Galaxy And Mass Assembly: A Comparison between Galaxy-Galaxy Lens Searches in KiDS/GAMA

Knabel, Shawn, Steele, Rebecca L.+10 more|arXiv (Cornell University)|Sep 20, 2020

Galaxies: Formation, Evolution, Phenomena被引用 15

一句话总结

本研究比较了在GAMA/KiDS巡天区域中利用光谱法、机器学习和公民科学方法识别星系-星系强引力透镜候选体的成效。尽管巡天面积达180 deg²，三种方法得到的候选体样本重叠极少——分别识别出47、47和13个候选体，仅有两个共同检测到的天体——这主要归因于红移、质量及成像分辨率相关的不同选择函数。研究结果强调了结合多种方法的必要性，以构建未来大尺度巡天（如LSST、Euclid和WFIRST）所需的完整且多样的训练数据集。

ABSTRACT

Strong gravitational lenses are a rare and instructive type of astronomical object. Identification has long relied on serendipity, but different strategies -- such as mixed spectroscopy of multiple galaxies along the line of sight, machine learning algorithms, and citizen science -- have been employed to identify these objects as new imaging surveys become available. We report on the comparison between spectroscopic, machine learning, and citizen science identification of galaxy-galaxy lens candidates from independently constructed lens catalogs in the common survey area of the equatorial fields of the GAMA survey. In these, we have the opportunity to compare high-completeness spectroscopic identifications against high-fidelity imaging from the Kilo Degree Survey (KiDS) used for both machine learning and citizen science lens searches. We find that the three methods -- spectroscopy, machine learning, and citizen science -- identify 47, 47, and 13 candidates respectively in the 180 square degrees surveyed. These identifications barely overlap, with only two identified by both citizen science and machine learning. We have traced this discrepancy to inherent differences in the selection functions of each of the three methods, either within their parent samples (i.e. citizen science focuses on low-redshift) or inherent to the method (i.e. machine learning is limited by its training sample and prefers well-separated features, while spectroscopy requires sufficient flux from lensed features to lie within the fiber). These differences manifest as separate samples in estimated Einstein radius, lens stellar mass, and lens redshift. The combined sample implies a lens candidate sky-density $\sim0.59$ deg$^{-2}$ and can inform the construction of a training set spanning a wider mass-redshift space.

研究动机与目标

• 评估并比较三种独立的透镜识别方法（光谱法、机器学习和公民科学）在相同巡天区域内的有效性。
• 量化每种方法固有的选择偏差，特别是与透镜红移、恒星质量及爱因斯坦半径相关者。
• 评估不同方法间透镜候选体样本的重叠程度与互补性，以指导未来自动化搜索策略的设计。
• 为下一代巡天中面向机器学习算法的更完整、更多样化的训练数据集的构建提供基础。
• 通过识别当前识别技术的优缺点，为未来透镜巡天的设计提供指导。

提出的方法

• 利用GAMA巡天的光谱数据（深度mr < 19.8 mag）识别显示强引力透镜系统特征的混合光谱。
• 应用在高保真KiDS成像数据上训练的LinKS机器学习算法，检测具有清晰分离弧和透镜结构的透镜形态。
• 使用GalaxyZoo公民科学平台，结合红移阈值（z < 0.2），基于视觉形态对透镜候选体进行分类。
• 在GAMA北天区的同一180 deg²区域内交叉匹配三种方法的结果。
• 使用单一等效球体（SIS）和薄透镜模型估算爱因斯坦半径，以比较物理特性。
• 所有距离与质量估算均采用平坦ΛCDM宇宙学模型（h₀ = 0.738，Ωₘ,₀ = 0.262）。

实验结果

研究问题

• RQ1 光谱法、机器学习和公民科学方法在候选体样本的重叠程度以及在红移、质量与爱因斯坦半径分布上的差异如何？
• RQ2 每种方法引入的主要选择偏差是什么？这些偏差如何影响透镜候选体星表的完整性和可靠性？
• RQ3 父样本选择差异与方法论限制（如光纤孔径大小、训练数据、分类阈值）在多大程度上解释了观察到的差异？
• RQ4 是否可以通过结合使用这些方法，获得比任何单一方法更完整、更具代表性的星系-星系透镜样本？
• RQ5 研究结果如何为下一代大视场巡天中改进的机器学习模型与训练数据集的开发提供指导？

主要发现

• 在180 deg²的区域内，光谱法、机器学习和公民科学方法分别识别出47、47和13个透镜候选体，三者之间仅有两个候选体重合。
• 三种方法产生的样本在统计上显著不同：光谱法偏好低红移、高流量的系统（z < 0.5），机器学习偏好结构清晰分离的特征，公民科学则受限于z < 0.2。
• 联合样本的透镜候选体天区密度约为0.59 deg⁻²，表明有相当大比例的透镜未被任一方法单独检测到。
• 不同方法估算的爱因斯坦半径存在显著差异：光谱法检测到的系统θE ≈ 0.5–1.2 arcsec，机器学习目标为θE ≈ 0.6–1.2 arcsec，公民科学识别的系统θE ≈ 0.7–2.1 arcsec。
• 重叠缺失主要源于方法特异的选择函数——例如，光谱法要求在1.5′′光纤孔径内有足够的流量，而公民科学则排除了高红移系统。
• 机器学习在未来的自动化透镜搜索中展现出巨大潜力，但其性能受限于训练数据中对结构清晰分离的透镜特征及类似L谷物星系形态的偏差。