DeepGraviLens: a Multi-Modal Architecture for Classifying Gravitational Lensing Data

要約

重力レンズ効果は、周囲の時空を曲げる巨大な物体によって生成される相対論的効果です。
これは天体物理学で深く研究されているトピックであり、理論的な相対論的結果を検証し、他の方法では見ることができないかすかな天体物理オブジェクトを研究することを可能にします。
近年、機械学習法が適用され、明るさの変化の時系列に関連付けられた画像で構成されるデータセットでレンズ効果を検出することにより、重力レンズ現象の分析をサポートしています。
ただし、最先端のアプローチでは、画像のみを考慮して時系列データを無視するか、最も困難なデータセットで比較的低い精度を達成します。
この論文では、1 つの非レンズ システム タイプと 3 つのレンズ システム タイプに属する時空間データを分類する新しいマルチモーダル ネットワークである DeepGraviLens を紹介します。
考慮されるデータセットに応じて、現在の最先端の精度結果を $\approx$ 19% から $\approx$ 43% 上回っています。
このような改善により、Vera C. Rubin Observatory などから収集されたペタバイト規模のデータを活用する今後の天体物理調査で、レンズ付き天体の分析を加速できるようになります。

要約(オリジナル)

Gravitational lensing is the relativistic effect generated by massive bodies, which bend the space-time surrounding them. It is a deeply investigated topic in astrophysics and allows validating theoretical relativistic results and studying faint astrophysical objects that would not be visible otherwise. In recent years Machine Learning methods have been applied to support the analysis of the gravitational lensing phenomena by detecting lensing effects in data sets consisting of images associated with brightness variation time series. However, the state-of-art approaches either consider only images and neglect time-series data or achieve relatively low accuracy on the most difficult data sets. This paper introduces DeepGraviLens, a novel multi-modal network that classifies spatio-temporal data belonging to one non-lensed system type and three lensed system types. It surpasses the current state of the art accuracy results by $\approx$ 19% to $\approx$ 43%, depending on the considered data set. Such an improvement will enable the acceleration of the analysis of lensed objects in upcoming astrophysical surveys, which will exploit the petabytes of data collected, e.g., from the Vera C. Rubin Observatory.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google