自监督与主动学习在强引力透镜发现中的潜力：Astronomaly 应用于 KiDS

《Monthly Notices of the Royal Astronomical Society》：The promise of self-supervised and active learning for Strong Lens discovery: Astronomaly applied to KiDS

　　

摘要

强引力透镜（SGLs）是罕见的系统，目前其发现主要依赖于基于大型模拟数据集训练的监督机器学习方法。我们展示了 Astronomaly:PROTEGE 在 SGL 发现中的首次应用，证明了人机协作主动学习框架可以在无需模拟训练数据的情况下，高效地在大型成像巡天中识别透镜。我们考虑了来自千度巡天（KiDS）DR4 的 370 万颗亮星系样本。特征表示使用在 ImageNet 数据集上预训练的卷积神经网络提取，随后使用自监督的 Bootstrap Your Own Latent (BYOL) 框架在 KiDS 数据上进行微调。在这些表示的嵌入中，Astronomaly 的主动学习循环迭代地选择最具信息量的系统进行专家检查。总共在多个轮次中检查了 3,000 个天体，产生了 34 个高质量（A/B 级）SGL 候选者。基于这些系统在习得的特征空间中占据相似区域的前提，我们通过最近邻相似性分析扩展了这个样本。包括主动学习发现的结果，我们总共确定了 140 个 A/B 级候选者和 1,000 多个额外较低置信度的系统（C 级）。在 A/B 候选者中，有 81 个是新识别的，而约 22% 的已知 A/B 级 KiDS 透镜被恢复。这些结果展示了对于下一代巡天（如欧几里得、罗曼 以及 鲁宾时空遗产巡天）的强劲潜力。随着约 60% 的高质量候选者被新报告，这种方法通过减少对模拟的依赖并使发现多样化的 SGL 群体成为可能，补充了监督方法。

引力透镜：强, 方法：数据分析, 技术：图像处理, 巡天, 星表