Euclid Quick Data Release (Q1). The Strong Lensing Discovery Engine C: Finding lenses with machine learning
Notice bibliographique
Résumé
Strong gravitational lensing has the potential to provide a powerful probe of astrophysics and cosmology, but fewer than 1000 strong lenses have been confirmed so far. With a 0 . ″ 16 resolution covering a third of the sky, the Euclid telescope will revolutionise the identification of strong lenses, with 170 000 lenses forecasted to be discovered amongst the 1.5 billion galaxies it will observe. We present an analysis of the performance of five machine-learning models at finding strong gravitational lenses in the quick release of Euclid data (Q1) covering 63 deg 2 . The models have been validated by citizen scientists and expert visual inspection. We focus on the best-performing network: a fine-tuned version of the Zoobot pretrained model originally trained to classify galaxy morphologies in heterogeneous astronomical imaging surveys. Of the one million Q1 objects that Zoobot was tasked to find strong lenses within, the top 1000 ranked objects contain 122 grade A lenses (almost-certain lenses) and 41 grade B lenses (probable lenses). A deeper search with the five networks combined with visual inspection yielded 250 (247) grade A (B) lenses, of which 224 (182) are ranked in the top 20 000 by Zoobot . When extrapolated to the full Euclid survey, the highest ranked one million images will contain 75 000 grade A or B strong gravitational lenses.
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 | 0,001 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,017 |
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 ».