Aug, 2017

用卷积神经网络快速自动分析强引力透镜

PDF
TL;DR本文报道了使用深度卷积神经网络在非常快速且自动化的方式下准确估计透镜参数的方法，不需要使用最大似然方法，而且可以提供一种非专家获取大量数据的透镜参数估计的方法。
gravitational lensingmaximum likelihood modelingdeep convolutional neural networkssingular isothermal ellipsoid density profilenon-experts
发现论文，激发创造
  • 神经网络参数估计中的不确定性：强引力透镜应用

    该论文介绍了一种使用变分推断框架来获取深度学习模型中参数不确定性的方法，以及通过调整单个超参数 ——dropout rate 来获得准确和精确的不确定性估计，从而证明神经网络是比 MCMC 更快的参数不确定性估计替代方案。

    Aug, 2017

  • 深度学习驱动的改进宇宙学参数推断方案

    使用改进的 CNN 算法和基于峰值计数的易于理解方法，可以更好地估计弱引力透镜映射的余量参数和标准差，并提取更多的高阶统计信息，这在研究宇宙学和暗物质中非常有帮助。

    Jun, 2018

  • 强引力透镜发现挑战

    通过大规模成像调查，使用自动化方法识别出强引力透镜，其中包括使用卷积神经网络等各种方法，得到的结果表明，这些方法识别率很高，远优于直接人工识别。

    Feb, 2018

  • 当谱建模遇上卷积网络：一种在多波段成像数据中发现复合再电离时代透镜类星体的方法

    本研究通过引入新的空间几何排除标准和扩大允许的光谱参数空间，并利用基于图像的深度学习方法进行实现，对重新电离时期的透镜星系进行了系统搜索，利用光谱能量分布的预选和卷积神经网络相对概率的计算方法，相结合，发现了 36 个新的透镜候选者。

    Nov, 2022

  • GIGA-Lens: 强引力透镜建模的快速贝叶斯推断

    本文介绍了一种名为 GIGA Lens 的基于梯度信息、GPU 加速的 Bayesian 模型，利用 TensorFlow 和 JAX 实现。通过模拟实验证明了该框架具有高性能、鲁棒性和可扩展性，可以用来对当前调查中发现的大量强镜进行建模，非常有前景。

    Feb, 2022

  • 用卷积神经网络处理噪声数据进行弱引力透镜宇宙学

    利用卷积神经网络能够从弱引力透镜生成的汇聚度图中提取信息，比功率谱方法能够更加严格地约束宇宙学参数而且能够提取弱引力透镜地图中的非高斯信息。

    Feb, 2019

  • 使用视觉转换器进行强引力透镜参数估计

    本文使用 Vision Transformer (ViT) 模型在 31,200 个模拟的强引力透镜图像上进行了实验，与传统方法相比在运行速度和成果方面有很大的提升，特别是在参数估计上更为优秀。这为下一代强透镜科学提供了有力的工具，代码和数据公开在 https://github.com/kuanweih/strong_lensing_vit_resnet。

    Oct, 2022

  • 利用卷积神经网络在暗能量调查中搜索强透镜系统

    使用卷积神经网络从第一批 Dark Energy Survey（DES）数据中筛选出强引力透镜系统的候选物，包括 405 个透镜候选物和 539 个可用于训练 CNNs 的环状星系候选物，并构建自动化建模管道来对 52 个有单个偏转器的系统进行建模。

    Aug, 2021

  • 使用连续神经场进行强引力透镜源重建

    研究使用神经网络在高分辨率镜像数据上模拟暗物质、远距离星系光学扭曲等，以解答宇宙学中的一些大问题。

    Jun, 2022

  • DeepGraviLens: 一个用于分类引力透镜数据的多模型架构

    本文介绍了 DeepGraviLens，这是一个新颖的多模态网络，通过检测与亮度变化时间序列相关的图像数据，并分类属于一个非成像系统类型和三个透镜系统类型的空间时间数据，改进了当前成像数据分析的准确性，为未来的天体物理学研究奠定了基础。

    May, 2022