Accelerating lensed quasar discovery and modeling with physics-informed variational autoencoders

要約

強くレンズされたクエーサーは、宇宙の拡大の速度、フォアグラウンドの偏向者における暗黒物質の分布、およびQuasarホストの特性に関する貴重な洞察を提供します。
ただし、非レンズオブジェクトの有病率のため、天文学的な画像でそれらを検出することは困難です。
この課題に対処するために、物理学に基づいた変異オートエンコーダーに基づいて構築されたバランスと呼ばれる生成的なディープ学習モデルを開発しました。
このモデルは、画像再構成、オブジェクト分類、レンズモデリングの3つの重要なモジュールをシームレスに統合し、強力なレンズ分析に高速かつ包括的なアプローチを提供します。
バラレンは、（1）オブジェクトがレンズシステムである可能性と（2）アインシュタイン半径（$ \ theta_ \ mathrm {e}を含む単数の等温楕円体（SIE）質量モデルの重要なパラメーターの両方を迅速に決定できます。
$）、レンズ中心、および楕円性 – 単一のCPUを使用してわずかミリ秒単位で。
スバルハイパースプライマーカム（HSC）フットプリント内の20の既知のレンズクエーサーの従来のレンズモデリングとのバラレン推定値の直接的な比較は、$ \ theta_ \ mathrm {e}のシステムの2ドル\ sigma $以内の両方の結果が一貫していることを示しています。
<3 $ arcsecs。 新しいレンズ付きのクエーサー候補を特定するために、HSCデータとさまざまな調査からの多波長情報を組み合わせて、約8,000万件のソースの最初のサンプルから始めます。 $ z> 1.5 $のソースを見つけることを目的とした測光事前選択を適用した後、候補者の数は710,966に減少しました。
その後、バランスは13,831のソースを強調し、それぞれがレンズである可能性が高いことを示しています。
これらのオブジェクトを視覚的に評価すると、分光の確認を待つ42の有望な候補者が得られます。
これらの結果は、大規模なデータセットで強力なレンズを効率的に検出およびモデル化する自動化された深い学習パイプラインの可能性を強調しています。

要約(オリジナル)

Strongly lensed quasars provide valuable insights into the rate of cosmic expansion, the distribution of dark matter in foreground deflectors, and the characteristics of quasar hosts. However, detecting them in astronomical images is difficult due to the prevalence of non-lensing objects. To address this challenge, we developed a generative deep learning model called VariLens, built upon a physics-informed variational autoencoder. This model seamlessly integrates three essential modules: image reconstruction, object classification, and lens modeling, offering a fast and comprehensive approach to strong lens analysis. VariLens is capable of rapidly determining both (1) the probability that an object is a lens system and (2) key parameters of a singular isothermal ellipsoid (SIE) mass model — including the Einstein radius ($\theta_\mathrm{E}$), lens center, and ellipticity — in just milliseconds using a single CPU. A direct comparison of VariLens estimates with traditional lens modeling for 20 known lensed quasars within the Subaru Hyper Suprime-Cam (HSC) footprint shows good agreement, with both results consistent within $2\sigma$ for systems with $\theta_\mathrm{E}<3$ arcsecs. To identify new lensed quasar candidates, we begin with an initial sample of approximately 80 million sources, combining HSC data with multiwavelength information from various surveys. After applying a photometric preselection aimed at locating $z>1.5$ sources, the number of candidates was reduced to 710,966. Subsequently, VariLens highlights 13,831 sources, each showing a high likelihood of being a lens. A visual assessment of these objects results in 42 promising candidates that await spectroscopic confirmation. These results underscore the potential of automated deep learning pipelines to efficiently detect and model strong lenses in large datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google