Gravitational Lens Parameters Estimation at Intermediate Redshifts Using Convolutional Neural Networks
Notice bibliographique
Résumé
Strong gravitational lensing serves as a powerful astrophysical probe, enabling studies of dark matter, galaxy structure, and cosmological parameters. The number of strong gravitational lensing candidates at the galaxy scale is expected to reach O ~ 5 with ongoing and future wide-field galaxy surveys. Current modeling techniques largely rely on conventional fitting methods, such as least squares or maximum likelihood using Markov Chain Monte Carlo, which despite their effectiveness, are computationally expensive and require manual inspection. This motivates the development of faster yet accurate parameter estimation techniques. In this work, we construct a representative training dataset and develop an efficient Convolutional Neural Network to estimate lens parameters: the Einstein radius, axis ratio, and position angle. We utilize data from Public Data Release 3 of the Hyper Suprime-Cam Subaru Strategic Program, selecting lens galaxies in the range 0.3 ≤ z ≤ 0.9 based on the strong-lens probability distribution. We find that the choice of loss function and regularization strategy is critical. To enhance model generalization, we leverage SpatialDropout, which outperforms standard methods by addressing the spatial correlation inherent in convolutional features. Furthermore, prediction accuracy and convergence speed are strongly affected by the distribution of the training data, highlighting the importance of an appropriate loss function. Our optimized model demonstrates robust performance, achieving a Mean Absolute Error of 0.092 arcsec for the Einstein radius, providing a scalable framework for automated analysis in future wide-field 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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».