<i>Euclid</i> : Finding strong gravitational lenses in the early release observations using convolutional neural networks
Notice bibliographique
Résumé
Several new galaxy-galaxy strong gravitational lenses have been detected in the early release observations (ERO) from Euclid . The all-sky survey is expected to find 170 000 new systems, which are expected to greatly enhancing studies of dark matter and dark energy, and to constrain the cosmological parameters better. As a first step, we visually inspect all galaxies in one of the ERO fields (Perseus) to identify candidate strong-lensing systems and compared them to the predictions from convolutional neural networks (CNNs). The entire ERO dataset is too large for an expert visual inspection, however. In this paper, we therefore extend the CNN analysis to the whole ERO dataset and use different CNN architectures and methods. Using five CNN architectures, we identified 8469 strong gravitational lens candidates from I E -band cutouts of 13 Euclid ERO fields and narrowed them down to 97 through visual inspection. The sample includes 14 grade A and 31 grade B candidates. We present the spectroscopic confirmation of a strong gravitational lensing candidate, EUCL J081705.61+702348.8. The foreground lensing galaxy, an early-type system at z = 0.335, and the background source, a star-forming galaxy at z = 1.475 with [O II ] emission, are both identified. The lens modelling with the Euclid strong lens modelling pipeline revealed two distinct arcs in a lensing configuration, with an Einstein radius of 1.″18 ± 0.″03. This confirms the lensing nature of the system. These findings demonstrate that CNN-based candidate selection followed by visual inspection provides an effective approach for identifying strong lenses in Euclid data. They also highlight areas for improvement in future large-scale implementations.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».