[论文解读] Selection functions of strong lens finding neural networks

Aniruddh Herle, Conor M. O’Riordan+1 more|arXiv (Cornell University)|Jul 19, 2023

Pulsars and Gravitational Waves ResearchPhysics and Astronomy被引用 3

一句话总结

本文系统研究了用于强引力透镜探测的卷积神经网络（CNN）的选择函数，揭示这些模型对具有更大爱因斯坦半径、更集中光源亮度以及更高透镜椭圆度的系统存在显著偏差——尤其在类星体-透镜系统中表现明显，而对透镜质量分布轮廓斜率则不敏感。研究结果表明，神经网络的选择效应会强化固有的引力透镜截面偏差，因此在未来的广角巡天中必须进行仔细校正。

ABSTRACT

Convolution Neural Networks trained for the task of lens finding with similar architecture and training data as is commonly found in the literature are biased classifiers. An understanding of the selection function of lens finding neural networks will be key to fully realising the potential of the large samples of strong gravitational lens systems that will be found in upcoming wide-field surveys. We use three training datasets, representative of those used to train galaxy-galaxy and galaxy-quasar lens finding neural networks. The networks preferentially select systems with larger Einstein radii and larger sources with more concentrated source-light distributions. Increasing the detection significance threshold to 12$σ$ from 8$σ$ results in 50 per cent of the selected strong lens systems having Einstein radii $θ_\mathrm{E}$ $\ge$ 1.04 arcsec from $θ_\mathrm{E}$ $\ge$ 0.879 arcsec, source radii $R_S$ $\ge$ 0.194 arcsec from $R_S$ $\ge$ 0.178 arcsec and source Sérsic indices $n_{\mathrm{Sc}}^{\mathrm{S}}$ $\ge$ 2.62 from $n_{\mathrm{Sc}}^{\mathrm{S}}$ $\ge$ 2.55. The model trained to find lensed quasars shows a stronger preference for higher lens ellipticities than those trained to find lensed galaxies. The selection function is independent of the slope of the power-law of the mass profiles, hence measurements of this quantity will be unaffected. The lens finder selection function reinforces that of the lensing cross-section, and thus we expect our findings to be a general result for all galaxy-galaxy and galaxy-quasar lens finding neural networks.

研究动机与目标

• 理解基于神经网络的透镜探测器如何在强引力透镜样本中引入选择偏差。
• 量化训练数据和模型架构对透镜探测CNN选择函数的影响。
• 评估这些偏差是否独立于透镜质量分布轮廓斜率，或取决于光源和透镜形态。
• 评估检测显著性阈值如何影响所恢复的透镜群体特征。
• 为利用深度学习纠正大规模透镜巡天中的系统性偏差提供基础。

提出的方法

• 在三个代表星系-星系和星系-类星体透镜巡天的合成数据集上训练基于ResNet18的CNN。
• 通过受控参数模拟透镜图像：爱因斯坦半径、光源大小、Sérsic指数、透镜椭圆度和质量分布轮廓斜率。
• 采用8σ和12σ的检测显著性阈值，评估阈值变化对透镜系统选择的影响。
• 应用可解释性技术，识别影响网络分类决策的最关键透镜和光源参数。
• 比较不同训练数据集的选择函数，以分离光源和透镜形态的影响。
• 评估选择偏差是否独立于透镜幂律轮廓斜率，该参数是关键的宇宙学参数。

实验结果

研究问题

• RQ1 基于CNN的透镜探测器在爱因斯坦半径和光源大小方面如何对强透镜系统产生选择偏差？
• RQ2 透镜椭圆度在类星体-透镜与星系-透镜探测网络的选择函数中扮演何种角色？
• RQ3 基于CNN的透镜探测器的选择函数是否依赖于透镜质量分布轮廓斜率？
• RQ4 检测显著性阈值（如8σ与12σ）如何影响所选透镜系统的形态特征？
• RQ5 训练数据特征（如光源亮度模型复杂度）在多大程度上影响最终的选择偏差？

主要发现

• 将检测显著性阈值从8σ提高到12σ，使所选透镜的中位爱因斯坦半径从0.879弧秒增至1.04弧秒。
• 在相同阈值提升下，中位光源半径从0.178弧秒增至0.194弧秒，中位Sérsic指数从2.55增至2.62。
• 训练用于探测类星体透镜的神经网络对更高透镜椭圆度的偏好强于训练用于星系-星系透镜的网络。
• 选择函数与透镜质量分布幂律轮廓斜率无关，意味着该参数的测量不会受到网络的影响。
• 更大的爱因斯坦半径和更集中的光源亮度分布是选择偏差的主要驱动力，网络更倾向于选择视觉上更易检测的系统。
• 选择偏差强化了固有的引力透镜截面偏差，表明这些发现可推广至其他基于CNN的透镜探测器。