[论文解读] New Strong Gravitational Lenses from the DESI Legacy Imaging Surveys Data Release 9

C. Storfer, Xiaosheng Huang+15 more|arXiv (Cornell University)|Jun 6, 2022

Astronomy and Astrophysical Research被引用 7

一句话总结

本研究利用在已知透镜和非透镜样本上训练的深度残差神经网络，从DESI遗产成像巡天数据发布9（DR9）中识别出1,895个强引力透镜候选体。其中1,512个为新发现，显著扩展了用于宇宙学和天体物理学研究的高纯度透镜候选体样本。

ABSTRACT

We have conducted a search for strong gravitational lensing systems in the Dark Energy Spectroscopic Instrument (DESI) Legacy Imaging Surveys Data Release 9. This is the third paper in a series. These surveys together cover $\sim$19,000 deg$^2$ visible from the Northern Hemisphere, reaching a z-band AB magnitude of $\sim$22.5. We use a deep residual neural network, trained on a compilation of known lensing systems and high-grade candidates as well as nonlenses in the same footprint. After applying our trained neural network to the survey data, we visually inspect and rank images with probabilities above a threshold which has been chosen to balance precision and recall. We have found 1895 lens candidates, of which 1512 are identified for the first time. Combining the discoveries from this work with those from Papers I (335) and II (1210), we have discovered a total of 3057 new candidates in the Legacy Surveys.

研究动机与目标

• 在DESI遗产成像巡天数据发布9中识别新的强引力透镜系统，以扩展高红移和高放大率透镜星系的样本。
• 通过机器学习提高大规模成像巡 survey 中透镜检测的效率与纯度。
• 为测试宇宙学模型（包括H₀张力和冷暗物质子结构预测）的不断增长的透镜系统目录做出贡献。
• 通过提供一个大规模、高质量的候选体样本，支持未来的透镜建模和时延距离测量。

提出的方法

• 在包含已知透镜系统、高质量候选体和非透镜的统计代表性训练集上训练深度残差神经网络（ResNet），训练样本来自同一巡天区域。
• 将训练好的神经网络应用于DR9数据，对北天约19,000平方度区域内的潜在透镜候选体生成概率评分。
• 设定概率阈值以筛选出最可能的候选体，供人工目视检查与排序，确保高纯度并减少误报。
• 将本工作结果与论文I和II中的先前发现相结合，形成累计目录，共获得3,057个来自遗产巡天的新透镜候选体。
• 利用DECaLS、BASS和MzLS提供的多波段成像（g、r、z）以增强对透镜识别至关重要的形态特征检测。
• 采用GPU加速的推理与验证流水线，高效扩展搜索范围至整个巡天体积。

实验结果

研究问题

• RQ1 在DESI遗产成像巡天DR9中，利用深度学习可识别出多少个新的强引力透镜候选体？
• RQ2 在代表性透镜与非透镜样本上训练的深度残差神经网络模型，在候选体选择中的纯度与完整性如何？
• RQ3 新发现的透镜候选体在分布与形态上与先前已知系统相比有何异同？
• RQ4 机器学习在未来的巡天（如LSST和罗曼空间望远镜）中，能在多大程度上加速强透镜系统的发现？
• RQ5 所识别的候选体是否足以支持高精度的时延H₀测量以及冷暗物质模型中的子结构检验？

主要发现

• 在DESI遗产成像巡天DR9中总共识别出1,895个强引力透镜候选体，其中1,512个为新发现。
• 深度残差神经网络在候选体筛选中表现出高纯度，经由对高概率系统的目视检查与排序得到验证。
• 本工作与先前论文（I和II）的发现相结合，累计在北天约19,000平方度区域内发现3,057个新透镜候选体。
• 该方法在大规模透镜搜索中展现出良好的可扩展性与有效性，为未来LSST和欧几里得等巡天项目树立了先例。
• 所识别的候选体非常适合后续研究，包括时延测量、暗物质子结构分析和透镜建模。
• 结果证实，深度学习方法在速度和产出方面显著优于传统方法，尤其适用于大规模成像数据集。