[论文解读] Hunting for Dark Matter Subhalos in Strong Gravitational Lensing with Neural Networks

Joshua Yao-Yu Lin, Hang Yu+3 more|arXiv (Cornell University)|Oct 24, 2020

Galaxies: Formation, Evolution, Phenomena参考文献 12被引用 4

一句话总结

本文提出使用深度神经网络在无需传统强引力透镜建模的情况下，检测强引力透镜图像中的暗物质亚结构。网络在带有亚结构概率图的模拟透镜数据上进行训练，能够准确检测多个亚结构，且出人意料地学会了在平滑透镜弧上排除虚假信号，每幅图像的推理时间不足一秒。

ABSTRACT

Dark matter substructures are interesting since they can reveal the properties of dark matter. Collisionless N-body simulations of cold dark matter show more substructures compared with the population of dwarf galaxy satellites observed in our local group. Therefore, understanding the population and property of subhalos at cosmological scale would be an interesting test for cold dark matter. In recent years, it has become possible to detect individual dark matter subhalos near images of strongly lensed extended background galaxies. In this work, we discuss the possibility of using deep neural networks to detect dark matter subhalos, and showing some preliminary results with simulated data. We found that neural networks not only show promising results on detecting multiple dark matter subhalos, but also learn to reject the subhalos on the lensing arc of a smooth lens where there is no subhalo.

研究动机与目标

• 开发一种自动化、快速检测强引力透镜图像中暗物质亚结构的方法，绕过计算成本高昂的透镜建模。
• 探究深度学习是否能够在具有真实亚结构分布的复杂透镜系统中，同时检测多个亚结构。
• 探索神经网络是否能隐式学习到排除由平滑透镜势引起的、在透镜弧上产生的虚假亚结构信号。
• 实现对即将开展的大规模透镜巡天（如LSST、Euclid）的可扩展分析，预计包含约170,000个强透镜系统。

提出的方法

• 在带有亚结构概率图作为目标的模拟强透镜图像上，对卷积神经网络（DenseNet和ResNet）进行训练。
• 在薄透镜近似下使用光线追踪生成224×224的透镜图像，其中包含平滑的SIE或幂律宏观模型及嵌入的亚结构。
• 通过使用带有截断的高斯分布构建亚结构概率图，以表示亚结构位置的可能性，从而通过二元交叉熵损失实现回归。
• 修改预训练CNN的最后几层，使其输出56×56×1的概率图而非分类logits，以保留空间分辨率。
• 将输入图像归一化至[0,1]，并通过复制通道以匹配ResNet和DenseNet对RGB输入的要求。
• 训练网络以最小化预测与真实亚结构概率图之间的二元交叉熵损失。

实验结果

研究问题

• RQ1 深度神经网络是否能够在不显式进行透镜建模的情况下，检测强透镜图像中的多个暗物质亚结构？
• RQ2 仅在亚结构概率图上进行训练的神经网络，是否能够学会在不存在亚结构的平滑透镜弧上排除虚假检测？
• RQ3 在亚结构检测的速度和准确性方面，神经网络与传统基于似然的方法相比表现如何？
• RQ4 即使未在这些特征上显式训练，网络是否仍能泛化到具有累积亚结构效应的复杂透镜系统？

主要发现

• 神经网络成功检测到模拟透镜图像中的多个亚结构，准确预测了其在概率图中的位置。
• 当不存在亚结构时，网络预测为零检测，证实其对无亚结构系统的良好泛化能力。
• 网络学会了在平滑模型的透镜弧区域分配较低概率，从而在无显式监督的情况下有效排除虚假信号。
• 使用单张GPU进行推理的时间不足一秒每张图像，相比传统建模方法需数天的计算时间，实现了显著加速。
• 网络排除平滑弧上亚结构的能力作为一种涌现特性出现，而非显式编程，表明其具备稳健的特征学习能力。
• 该方法在LSST和Euclid等大规模巡天中展现出强大潜力，其中自动化、高速的亚结构检测至关重要。