Pixelated Reconstruction of Foreground Density and Background Surface Brightness in Gravitational Lensing Systems using Recurrent Inference Machines

要約

タイトル：再帰推論機を用いた重力レンズ系における前景密度と背景表面明るさの画素化再構成

要約：
– 強い重力レンズのモデリングは、背景源の画像の歪みを定量化し、前景レンズの質量密度を再構成することを目的として行われるが、その計算は困難である。
– 重力レンズの画像の品質が向上するにつれ、情報を十分に利用することは計算的に非常に困難になっている。
– 本研究では、再帰推論機(RIM)に基づくニューラルネットワークを使用して、背景源の歪みのない画像と画素化された質量密度分布を同時に再構成する。
– この方法は、物理モデル(光線追跡シミュレーション)によって与えられたデータの尤度を最適化するプロセスを学習し、ニューラルネットワーク自身が学習した事前分布によって正則化されたモデルパラメータ(源の画像と画素化された密度マップ)を反復的に再構成する。
– この提案された方法は、より従来のパラメトリックモデルと比較して著しく表現力が高く、IllustrisTNG宇宙論水力学シミュレーションから得られた実際のレンズ銀河を用いて複雑な質量分布を再構成できることを実証している。

要約(オリジナル)

Modeling strong gravitational lenses in order to quantify the distortions in the images of background sources and to reconstruct the mass density in the foreground lenses has been a difficult computational challenge. As the quality of gravitational lens images increases, the task of fully exploiting the information they contain becomes computationally and algorithmically more difficult. In this work, we use a neural network based on the Recurrent Inference Machine (RIM) to simultaneously reconstruct an undistorted image of the background source and the lens mass density distribution as pixelated maps. The method iteratively reconstructs the model parameters (the image of the source and a pixelated density map) by learning the process of optimizing the likelihood given the data using the physical model (a ray-tracing simulation), regularized by a prior implicitly learned by the neural network through its training data. When compared to more traditional parametric models, the proposed method is significantly more expressive and can reconstruct complex mass distributions, which we demonstrate by using realistic lensing galaxies taken from the IllustrisTNG cosmological hydrodynamic simulation.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI