Automating the detection of strong gravitational lenses in large-scale surveys using deep learning

Automatische detectie van graviationele lenzen

Een gravitationele lens is een effect dat ontstaat door de kromming van de ruimte-tijd, waarbij een massief object op de voorgrond, zoals een sterrenstelsel of een cluster van sterrenstelsels, het licht van een achtergrondbron buigt en vergroot. Dit resulteert in meerdere beelden, bogen, of zelfs complete Einstein-ringen van het achtergrond object die rond de voorgrond lensmassa verschijnen.

In zijn proefschrift presenteert Bharath Chowdhary Nagam vooruitgangen in de automatische detectie van sterke gravitationele lenzen met behulp van nieuwe op CNN-gebaseerde architecturen en technieken, met een focus op het verminderen van false positives - een belangrijke uitdaging in grootschalige onderzoeken. Het DenseNet-121 ensemble presteert beter dan eerdere ResNet-modellen door hogere true-positive rates te behalen met minder parameters. Nagam introduceert nieuwe Information Content (IC)-metric om lenskandidaten te rangschikken, wat de classificatieprestaties verbetert. Integratie met een U-Net-segmentatie-algoritme (U-Denselens) verbetert de detectie door fals positives te filteren op basis van segmentatiescores, wat aanzienlijke verminderingen in fals positives oplevert terwijl echte lenzen behouden blijven, zoals aangetoond in KiDS- en Euclid-datasets.  

Om de training verder te verbeteren, genereren Denoising Diffusion GANs (DDGANs) grote datasets van gesimuleerde lenzen. Een gebalanceerde combinatie van echte en synthetische data verbetert de prestaties van CNN’s en pakt het tekort aan data in aankomende onderzoeken aan. Het U-DenseLens-model, toegepast op de Early Release Observations (ERO) van Euclid, behaalt lagere false-positive rates en een hoge detectie-efficiëntie. Het identificeert 46 lenskandidaten over 16 velden, met aanzienlijk lagere contaminatieratio’s dan bij KiDS-data. Schaalbare projecties wijzen op de ontdekking van meer dan 5.500 sterke lenzen in het volledige Euclid-surveygebied.  

Deze resultaten onderstrepen het potentieel van geavanceerde CNN-architecturen, generatieve modellen en segmentatie-algoritmen om lensdetectie te automatiseren. Door meerdere metrics te integreren, biedt dit kader een veelbelovende route voor het optimaliseren van lenszoektochten in grootschalige astronomische datasets.

Bharath Chowdhary Nagam voerde zijn onderzoek uit bij het Kapteyn Institute for Astronomy. Hij vervolgt zijn loopbaan als postdoc bij de University of Minnesota. 

Proefschrift: https://hdl.handle.net/11370/f17a4fd5-45ec-4ca6-9505-7d24429a1236