返回
Generative modelling for mass-mapping with fast uncertainty quantification
DOI:10.1093/mnras/staf1356.png)
摘要
En 中文
理解宇宙中暗物质的性质是现代宇宙学的一个重要目标。探测这种分布的关键方法是弱引力透镜质量图绘制——这是一个具有挑战性的不适定反演问题,其中通过观测到的剪切测量来推断收敛场。即将到来的第四阶段巡天,如Vera C. Rubin天文台和Euclid卫星所进行的巡天,将为透镜分析提供更大数量和精度的数据,这需要高保真、计算高效且能为下游宇宙学分析提供不确定性的质量图绘制方法。在本工作中,我们介绍了一种用于质量图绘制的新型生成对抗网络(GAN),我们称之为质量图绘制GAN(MMGAN),其基于正则化条件GAN框架,能够在给定剪切数据的情况下生成收敛场的近似后验样本。我们采用Wasserstein GAN来提高训练稳定性,并应用正则化技术来克服模式崩溃问题,这些问题对于条件GAN来说尤其严重。我们在一个模拟Cosmic Evolution Survey(COSMOS)数据集上训练和验证我们的模型,然后将其应用于真实的COSMOS数据。我们的方法显著优于Kaiser-Squires技术,并实现了与替代的基于深度学习的最先进方法相当的重构保真度。值得注意的是,虽然替代方法从学习到的后验中生成样本速度较慢(例如,每生成一个后验样本需要约10 GPU分钟),但MMGAN能在不到一秒的时间内生成高质量的收敛样本。
Keyword:
gravitational lensing: weak
methods: data analysis
software: machine learning
dark matter
期刊
IF:
4.8
论文数:
7.1W
被引数:
25.0W

