When Spectral Modeling Meets Convolutional Networks: A Method for Discovering Reionization-era Lensed Quasars in Multi-band Imaging Data

要約

過去20年間に約300のクエーサーが$zgtrsim6$で発見されたが、強い重力レンズを持つクエーサーは1つだけであった。我々は、画像ベースのディープラーニングによって実装された新しいアプローチ（許容されるスペクトルパラメータ空間を拡大し、新しい空間幾何学的拒否基準を導入する）を探求している。私たちはまず、ダークエネルギーサーベイ、可視・赤外線サーベイ望遠鏡、広視野赤外線サーベイ望遠鏡のデータを用いて、再電離期のレンズ付きクエーサーを系統的に探索する。この探索方法は、（i）カタログレベルの測光によるスペクトルエネルギー分布（SED）に基づく候補の事前選択、（ii）畳み込みニューラルネットワーク（CNN）による分類によるレンズ候補と何らかの汚染物の相対確率計算という、主に二つの部分で構成されている。学習データセットは、実際の銀河画像の上に偏向した点光源を描くことで構築され、画像間隔が小さい系、すなわちアインシュタイン半径が$theta_guasi_mathrm{E}の系を見つけるのに最適な、リアルな銀河-クエーサーレンズモデルを生成します。\のアインシュタイン半径が1$角である。次に、CNNスコアが$P_mathrm{lens} > 0.1$である天体を目視で確認する。> その結果、36個のレンズ候補が新たに選ばれ、分光学的な確認が待たれています。これらの結果は、自動化されたSEDモデリングと深層学習パイプラインが、適度な人間の入力によってサポートされ、主にドロップアウトに基づくSED選択アプローチの拒否権の限界を克服できる、大規模カタログから強いレンズを検出するための有望なルートであることを示しています。

要約(オリジナル)

Over the last two decades, around 300 quasars have been discovered at $z\gtrsim6$, yet only one has identified as being strongly gravitationally lensed. We explore a new approach — enlarging the permitted spectral parameter space, while introducing a new spatial geometry veto criterion — which is implemented via image-based deep learning. We first apply this approach to a systematic search for reionization-era lensed quasars, using data from the Dark Energy Survey, the Visible and Infrared Survey Telescope for Astronomy Hemisphere Survey, and the Wide-field Infrared Survey Explorer.Our search method consists of two main parts: (i) the preselection of the candidates based on their spectral energy distributions (SEDs) using catalog-level photometry and (ii) relative probabilities calculation of the candidates being a lens or some contaminant, utilizing a convolutional neural network (CNN) classification. The training data sets are constructed by painting deflected point-source lights over actual galaxy images, to generate realistic galaxy-quasar lens models, optimized to find systems with small image separations, i.e., Einstein radii of $\theta_\mathrm{E} \leq 1$ arcsec. Visual inspection is then performed for sources with CNN scores of $P_\mathrm{lens} > 0.1$, which leads us to obtain 36 newly selected lens candidates, which are awaiting spectroscopic confirmation. These findings show that automated SED modeling and deep learning pipelines, supported by modest human input, are a promising route for detecting strong lenses from large catalogs that can overcome the veto limitations of primarily dropout-based SED selection approaches.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL