Streamlined Lensed Quasar Identification in Multiband Images via Ensemble Networks

要約

強いレンズ効果を受けているクエーサーは、宇宙の膨張率、前景偏向器内の暗黒物質のプロファイル、クェーサーの母銀河などの主題について、独自の視点を提供します。
残念ながら、レンズ以外のものが大量にあるため、天文画像でそれらを識別することは困難です。
これに対処するために、私たちは、最先端の畳み込みネットワーク (CNN) (ResNet、Inception、NASNet、MobileNet、EfficientNet、RegNet) と、現実的な銀河で訓練されたビジョン トランスフォーマー (ViT) をアンサンブルすることにより、新しいアプローチを開発しました。
Hyper Suprime-Cam (HSC) マルチバンド画像に基づくクエーサー レンズ シミュレーション。
個々のモデルは、テスト データセットに対して評価すると顕著なパフォーマンスを示し、$>$97.4% の受信機動作特性曲線の下の領域と 3.1% の偽陽性率の中央値を達成していますが、多数のスプリアスが示すように、実際のデータでは一般化するのに苦労しています。
各分類子によって選択されたソース。
これらの CNN と ViT を平均化することで大幅な改善が達成され、不純物が最大 40 分の 1 まで縮小されます。その後、HSC 画像と UKIRT、VISTA、および unWISE データを組み合わせて、親サンプルとして約 6,000 万のソースを取得し、
アインシュタイン半径が $\theta_\mathrm{E}<5$ arcsec である $z>1.5$ レンズクエーサーを発見するために測光の事前選択を使用した後、これを 892,609 に減らします。
その後、アンサンブル分類器は、レンズである可能性が高い 3991 個の光源を示し、それを目視検査し、分光分析による確認を待つ 161 個の有力な候補が得られます。
これらの結果は、自動化された深層学習パイプラインが、手作業による目視検査を最小限に抑えながら、膨大なデータセット内の強力なレンズを効果的に検出できる大きな可能性を秘めていることを示唆しています。

要約(オリジナル)

Quasars experiencing strong lensing offer unique viewpoints on subjects like the cosmic expansion rate, the dark matter profile within the foreground deflectors, and the quasar host galaxies. Unfortunately, identifying them in astronomical images is challenging since they are overwhelmed by the abundance of non-lenses. To address this, we have developed a novel approach by ensembling cutting-edge convolutional networks (CNNs) — i.e., ResNet, Inception, NASNet, MobileNet, EfficientNet, and RegNet — along with vision transformers (ViTs) trained on realistic galaxy-quasar lens simulations based on the Hyper Suprime-Cam (HSC) multiband images. While the individual model exhibits remarkable performance when evaluated against the test dataset, achieving an area under the receiver operating characteristic curve of $>$97.4% and a median false positive rate of 3.1%, it struggles to generalize in real data, indicated by numerous spurious sources picked by each classifier. A significant improvement is achieved by averaging these CNNs and ViTs, resulting in the impurities being downsized by factors up to 40. Subsequently, combining the HSC images with the UKIRT, VISTA, and unWISE data, we retrieve approximately 60 million sources as parent samples and reduce this to 892,609 after employing a photometry preselection to discover $z>1.5$ lensed quasars with Einstein radii of $\theta_\mathrm{E}<5$ arcsec. Afterward, the ensemble classifier indicates 3991 sources with a high probability of being lenses, for which we visually inspect, yielding 161 prevailing candidates awaiting spectroscopic confirmation. These outcomes suggest that automated deep learning pipelines hold great potential in effectively detecting strong lenses in vast datasets with minimal manual visual inspection involved.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google