随着大规模成像巡天项目不断增多,研究人员正在开发高效算法以搜寻强引力透镜系统。过去几年间,神经网络已成功应用于千度巡天(Kilo Degree Survey)、超广域主焦点相机(Hyper-Suprime Cam, HSC)巡天、暗能量巡天(Dark Energy Survey)等成像巡天中的星系尺度透镜系统发现工作。由于多数这类网络都采用监督学习算法,因此厘清不同网络的性能对比、各自优势以及训练数据集的作用已变得十分必要。\n在本研究中,我们对四个已分析过HSC巡天数据的团队所开发的网络开展了首次系统性比较与基准测试。各团队独立设计训练样本并开发神经网络,但事先已达成协调,严格预留特定数据集仅用于测试。测试样本包含来自不同来源的模拟透镜、真实(候选)透镜以及真实非透镜天体,用于对各网络的性能进行基准测试与表征。结果显示,各团队的网络在自行构建的测试样本上的表现均远优于在其他团队构建的测试样本上的表现,但在包含真实(候选)透镜与非透镜天体的测试样本上,所有网络的表现相当。\n我们还研究了在保持网络架构不变的前提下,在各团队间交换训练样本带来的影响,发现这一操作使部分网络的性能得到提升。这些结果对鲁宾空间与时间遗留巡天(Rubin-Legacy Survey of Space and Time)、Roman、Euclid等即将开展的成像巡天的透镜搜寻工作所需采取的措施具有直接参考意义。
英文摘要:
Efficient algorithms are being developed to search for strong gravitational lens systems owing to increasing large imaging surveys. Neural networks have been successfully used to discover galaxy-scale lens systems in imaging surveys such as the Kilo Degree Survey, Hyper-Suprime Cam (HSC) Survey and Dark Energy Survey over the last few years. Thus, it has become imperative to understand how some of these networks compare, their strengths and the role of the training datasets as most of the networks make use of supervised learning algorithms. In this work, we present the first-of-its-kind systematic comparison and benchmarking of networks from four teams that have analysed the HSC Survey data. Each team has designed their training samples and developed neural networks independently but coordinated apriori in reserving specific datasets strictly for test purposes. The test sample consists of mock lenses, real (candidate) lenses and real non-lenses gathered from various sources to benchmark and characterise the performance of each of the network. While each team's network performed much better on their own constructed test samples compared to those from others, all networks performed comparable on the test sample with real (candidate) lenses and non-lenses. We also investigate the impact of swapping the training samples amongst the teams while retaining the same network architecture. We find that this resulted in improved performance for some networks. These results have direct implications on measures to be taken for lens searches with upcoming imaging surveys such as the Rubin-Legacy Survey of Space and Time, Roman and Euclid.
Finding Strong Gravitational Lenses in the DESI DECam Legacy Survey
我们在9,000度$^2$暗能量相机遗产调查(DECaLS)中执行强引力透镜系统的半自动搜索,这是DESI遗产成像调查(Dey等人)的一部分。这些调查的深度和广度的结合在这个时候是无与伦比的,使它们特别适合于发现新的强引力透镜系统。我们采用深度残差神经网络架构(He et al.)Lanusse等人为了在光度测量中找到强透镜而开发的。我们编译了一个训练集,该训练集由Legacy Surveys和DES中的已知透镜系统以及DECaLS足迹中的非透镜组成。在本文中,我们展示了将我们训练的神经网络应用于以椭圆星系为中心的剪切图像的结果(Lang等人)。在DecaLS。获得最高分数(概率)的图像将进行视觉检查和排名。在这里,我们提出了335个首次确定的候选强透镜系统。
On building a cluster watch-list for identifying strongly lensed supernovae, gravitational waves and kilonovae
在21世纪20年代发现强透镜超新星,引力波和kilonovae的动机,我们研究是否建立一个观察列表的集群的基础上观察到的集群属性(即透镜平面选择)或强透镜背景星系的可探测性(即源平面选择)。首先,我们估计了高红移瞬时祖细胞的比例,这些祖细胞居住在星系中,这些星系本身太暗而不能被检测到为强透镜。我们发现$\sim15-50$ %的瞬变祖细胞居住在$z = 1-2$星系太暗,无法在到达${\rm AB}\simeq23$的调查中检测到,例如暗能量调查。在LSST(${\rm AB}\simeq25$)的早期数据发布将探测的深度,这将下降到$\ls10$ %。第二,我们估计一个保守的下限的分数强透镜集群,将错过的数量级有限的搜索多成像星系和巨大的弧,由于这些图像的模糊。我们发现,DES类调查将错过$\sim75$ %的$10^{15}$ M $_\odot$强透镜集群,上升到$\sim100$ %的$10^{14}$ M $_\odot$集群。更深入的调查,如LSST,将错过$10^{15}$ M $_\odot$的$\sim40$百分比,以及$10^{14}$ M $_\odot$的$\sim95$百分比。我们的研究结果激励建立一个集群观察列表强透镜瞬态,其中包括那些发现透镜平面选择。
SEAGLE - I: A pipeline for simulating and modeling strong lenses from cosmological hydrodynamic simulations
本文介绍了SEAGLE(即Simulating EAGLE LEnses)计划,该计划利用一套高分辨率的流体动力学模拟,即EAGLE(Evolution and Assembly of Galeries and their Environments)计划,通过强引力透镜研究星系的形成。我们介绍了模拟和分析管道,并提出了第一组结果,从我们的分析早期型星系。我们识别和提取一个模拟透镜星系的集合,并使用GLAMER射线跟踪透镜代码创建模拟透镜,类似于SLACS和SL 2S调查中观察到的透镜,使用一系列源参数和星系方向,包括观测效应,如点扩散函数(PSF),像素化和噪声水平,哈勃太空望远镜(HST)使用ACS-F814 W滤波器的单轨道观测的代表。我们随后使用代码LENSED对这些模拟晶状体进行建模,以与观察晶状体相同的方式处理它们。我们还估计直接从模拟星系的投影表面质量密度的质量模型参数,使用相同的质量模型家庭。我们用真实镜头对所有测量的量进行三向比较。我们发现EAGLE晶状体的平均总密度斜率$t=2.26\; (0.25\; \rm{rms})$高于SL 2S,$t=2.16$或SLACS,$t=2.08$。我们发现外剪切($γ$)和复椭圆率($ε$)之间有很强的相关性,其中$γ\sim ε/4$。这种相关性表明晶状体质量建模中的退化。我们还看到了镜片建模和直接拟合结果之间的分散,表明…
Gravitational Lenses in UNIONS and Euclid (GLUE) I: A Search for Strong Gravitational Lenses in UNIONS with Subaru, CFHT, and Pan-STARRS Data
University of Hawai‘i(夏威夷大学);Lawrence Berkeley National Laboratory(劳伦斯伯克利国家实验室);University of San Francisco(旧金山大学);University of Hawai‘i at Mānoa(夏威夷大学马诺阿分校);University of California, Berkeley(加州大学伯克利分校);Université Paris-Saclay(巴黎萨克雷大学);Université Paris Cité(巴黎西岱大学);CEA(法国原子能和替代能源委员会);CNRS(法国国家科学研究中心);AIM(天体物理与宇宙微波背景研究所);Laboratoire d’Astrophysique de Marseille(马赛天体物理学实验室);Aix-Marseille Université(艾克斯-马赛大学);CNES(法国国家空间研究中心);Institut d’Astrophysique de Paris(巴黎天体物理学研究所);Sorbonne Université(索邦大学);National Research Council Herzberg Astronomy and Astrophysics(加拿大国家研究委员会赫茨伯格天文学与天体物理学研究所);University of Waterloo(滑铁卢大学);Waterloo Centre for Astrophysics(滑铁卢天体物理学中心);Perimeter Institute for Theoretical Physics(理论物理珀IMETER研究所);University of Hawaii(夏威夷大学);University of British Columbia(不列颠哥伦比亚大学)
Gaia GraL: Gaia DR2 Gravitational Lens Systems. III. A systematic blind search for new lensed systems
目标:在这项工作中,我们的目标是提供一个可靠的引力透镜(GL)候选人的基础上,在整个盖亚数据发布2(盖亚DR2)进行搜索。我们还表明,来自盖亚卫星的唯一天体测量和测光信息为监督学习方法提供了足够的见解,可以自动识别GL候选者,其效率与基于图像处理的方法相当。研究方法:我们模拟了106,623,188个由两个以上图像组成的透镜系统,基于在存在外部剪切的情况下表征非奇异等温椭球透镜模型的规则参数网格。这些模拟被用作训练和测试我们的监督学习模型的输入,该模型由极端随机树组成。后者最终用于为2,129,659个天体集群中的每个集群分配一个判别值,该判别值反映了我们的模拟与每个集群的观测相对位置和通量相匹配的能力。一旦补充了额外的约束条件,这些判别值允许我们从聚类列表中识别GL候选。结果如下:我们报告发现了15个新的四重成像透镜候选者,角间距小于6”,并通过恢复13个已知的四重成像系统中的12个来评估我们方法的性能,这些系统的所有组件都在Gaia DR 2中检测到,偶然的星团作为透镜系统的错误分类率低于1%。类似地,我们的方法关于四重成像系统的识别能力,其中在盖亚DR2中检测到三个图像,通过恢复13个已知的四重成像系统中的10个来评估,其中一个构成图像被丢弃。相关的误分类率在5.8%到20%之间变化,这取决于我们决定删除的图像。
Gravitational lensing of gravitational waves by galaxy clusters
Tsinghua University(清华大学);Max Planck Institute for Gravitational Physics (Albert Einstein Institute)(马克斯·普朗克引力物理研究所(爱因斯坦研究所));Purple Mountain Observatory, Chinese Academy of Sciences(中国科学院紫金山天文台);Westlake University(西湖大学)