Chitah: STRONG-GRAVITATIONAL-LENS HUNTER IN IMAGING SURVEYS
Notice bibliographique
Résumé
Strong gravitationally lensed quasars provide powerful means to study galaxy evolution and cosmology. Current and upcoming imaging surveys will contain thousands of new lensed quasars, augmenting the existing sample by at least two orders of magnitude. To find such lens systems, we built a robot, Chitah , that hunts for lensed quasars by modeling the configuration of the multiple quasar images. Specifically, given an image of an object that might be a lensed quasar, Chitah first disentangles the light from the supposed lens galaxy and the light from the multiple quasar images based on color information. A simple rule is designed to categorize the given object as a potential four-image (quad) or two-image (double) lensed quasar system. The configuration of the identified quasar images is subsequently modeled to classify whether the object is a lensed quasar system. We test the performance of Chitah using simulated lens systems based on the Canada–France–Hawaii Telescope Legacy Survey. For bright quads with large image separations (with Einstein radius ) simulated using Gaussian point-spread functions, a high true-positive rate (TPR) of and a low false-positive rate of show that this is a promising approach to search for new lens systems. We obtain high TPR for lens systems with , so the performance of Chitah is set by the seeing. We further feed a known gravitational lens system, COSMOS 5921+0638, to Chitah , and demonstrate that Chitah is able to classify this real gravitational lens system successfully. Our newly built Chitah is omnivorous and can hunt in any ground-based imaging surveys.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».