Euclid Quick Data Release (Q1). LEMON -- Lens Modelling with Neural networks. Automated and fast modelling of Euclid gravitational lenses with a singular isothermal ellipsoid mass profile

Technische Zusammenfassung: LEMON – LEns MOdelling with Neural networks for Euclid Gravitational Lenses

Problemstellung
Die Euclid-Mission wird etwa 14.000 deg² des extragalaktischen Himmels vermessen und potenziell rund $10^5$ Gravitationslinsenbilder liefern. Während Convolutional Neural Networks (CNNs) bereits effektiv für die Detektion von Linsen nachgewiesen wurden, bleibt die anschließende Modellierung dieser Systeme zur Schätzung von Massen- und Lichtparametern ein Engpass. Die traditionelle Modellierung stützt sich auf rechenintensive, manuelle Techniken wie Maximum-Likelihood- und Markov-Chain-Monte-Carlo-Methoden (MCMC). Diese Ansätze sind zu langsam, um das erwartete Datenvolumen zu bewältigen, und erfordern oft menschliche Intervention, um Anfangsbedingungen festzulegen, was zu potenziellen Fehlerraten und Ineffizienzen in der Euclid-Modellierungspipeline führt.

Methodik
Diese Arbeit präsentiert eine Erweiterung von LEMON (LEns MOdelling with Neural networks), einem Bayesschen Neuronalen Netzwerk (BNN), das für die automatisierte und schnelle Modellierung starker Gravitationslinsen entwickelt wurde.

• Architektur: LEMON nutzt eine ResNet-50-Architektur. Es verwendet Dropout-Layer sowohl während des Trainings als auch während der Inferenz, um die Bayessche Unsicherheitsschätzung mittels Monte-Carlo-Sampling zu ermöglichen. Dies erlaubt dem Netzwerk, zwischen zwei Arten von Unsicherheit zu unterscheiden:
  • Aleatorische Unsicherheit: Diese ist der Daten inhärent (z. B. geringes Signal-Rausch-Verhältnis, Bildkorruption).
  • Epistemische Unsicherheit: Diese resultiert aus dem mangelnden Wissen des Modells in spezifischen Regionen des Parameterraums.
• Trainingsdaten: Das Netzwerk wurde auf 100.000 Mock-Euclid-Linsen trainiert und getestet, die von der Strong Lensing Science Working Group des Euclid-Konsortiums generiert wurden. Diese Simulationen enthalten Kontaminanten (Vordergrund-/Hintergrundobjekte) und decken ein breites Spektrum an Umgebungsszenarien ab. Die Linsen werden mit einem Singular Isothermal Ellipsoid (SIE)-Massenprofil plus externem Shear modelliert, und das Lichtprofil wird durch ein einzelnes Sérsic-Modell beschrieben.
• Zielparameter: LEMON sagt acht Schlüsselparameter voraus:
  1. Einstein-Radius ($R_{Ein}$)
  2. Massen-Elliptizitätskomponenten ($\epsilon_{x,m}, \epsilon_{y,m}$)
  3. Licht-Elliptizitätskomponenten ($\epsilon_{x,l}, \epsilon_{y,l}$)
  4. Effektiver Radius der Linse ($R_{e, lens}$)
  5. Sérsic-Index der Linse ($n_{lens}$)
  6. Magnitude der Linse ($m_{lens}$)
  7. Ungebeugte Quellpositionen x und y ($x_{src}, y_{src}$)
• Kalibrierung: Um die bei BNNs häufig auftretende systematische Über- oder Unterschätzung von Konfidenzintervallen zu adressieren, haben die Autoren die Platt-Skalierung angewendet, um die Vorhersage der Gesamtunsicherheit mithilfe eines Validierungsdatensatzes simulierter Linsen zu kalibrieren.
• Hybride Pipeline: Eine sekundäre Anwendung von LEMON besteht darin, dessen Vorhersagen als Startpunkte für die standardmäßige Euclid-Modellierungspipeline (PyAutoLens) zu verwenden. Dies ersetzt die standardmäßige Nested-Sampling-Initialisierung durch einen Gradientenaufstiegs-Optimierer und nutzt die schnelle Inferenz des BNN, um die Konvergenz traditioneller Methoden zu beschleunieren.

Wichtigste Ergebnisse
Die Leistung von LEMON wurde über drei verschiedene Datensätze hinweg validiert:

1. Mock-Euclid-Testset:

   • LEMON zeigte eine hohe Genauigkeit bei der Rekonstruktion der Parameter für simulierte Linsen.
   • Einstein-Radius: Gut rekonstruiert mit einem Bestimmtheitsmaß ($R^2$) von 0,91 und geringem Bias.
   • Elliptizitäten: Die Licht-Elliptizität wurde mit außergewöhnlicher Präzision rekonstruiert ($R^2 \approx 0,96$), während die Massen-Elliptizität eine etwas geringere, aber robuste Leistung zeigte ($R^2 \approx 0,85\text{--}0,86$).
   • Sérsic-Index: Dies war der anspruchsvollste Parameter, der die größte Streuung aufwies ($R^2 = 0,77$) sowie nicht-lineare Trends bei hohen Werten, was konsistent mit den Schwierigkeiten bei der Rekonstruktion dieses Parameters allein durch Photometrie ist.
   • Unsicherheiten: Die kalibrierten Unsicherheiten waren zuverlässig, wobei die epistemischen Unsicherheiten im Allgemeinen niedriger waren als die aleatorischen Unsicherheiten.

2. Euclidisierte HST-Linsen (Reale Daten, auf Euclid-Tiefe degradiert):

   • Anwendung auf reale Linsen aus den SLACS-, EEL-, COSMOS- und ACS-Surveys, die auf Euclid-Auflösung konvertiert wurden.
   • LEMON entsprach den klassischen Modellierungsergebnissen beim Einstein-Radius ($R^2 = 0,53$) und den Elliptizitäten ($R^2 = 0,87\text{--}0,88$).
   • Die Vorhersagen des effektiven Radius zeigten eine systematische Unterschätzung bei Werten $> 1''$, was wahrscheinlich auf Verteilungsverschiebungen zwischen den Trainingssimulationen und den realen Daten sowie auf Unterschiede in den Modellierungsannahmen (z. B. fester vs. variabler Sérsic-Index in der Literatur) zurückzuführen ist.
   • Die Unsicherheiten waren höher als im Mock-Set, was darauf zurückzuführen ist, dass das Netzwerk auf Regionen des Parameterraums traf, die außerhalb seiner Trainingsverteilung liegen.

3. Reale Euclid-Daten (Perseus ERO und Q1):

   • Perseus ERO: Anwendung auf fünf bestätigte Linsen; LEMON rekonstruierte die Einstein-Radien innerhalb von $1\sigma$ der klassischen Modellierung (Pronto-Software), selbst in Anwesenheit heller Kontaminanten, wenn auch mit erhöhter Unsicherheit.
   • Q1-Daten: Anwendung auf 354 starke Linsen-Kandidaten aus dem Euclid Quick Data Release 1.
     • Die Rekonstruktion des Einstein-Radius entsprach gut PyAutoLens ($R^2 = 0,71$, Bias $= 0,01''$).
     • Licht-Elliptizität und Magnitude entsprachen gut den klassischen Ergebnissen ($R^2 \approx 0,74\text{--}0,90$).
     • Massen-Elliptizität und Sérsic-Index zeigten eine schlechte Korrelation mit PyAutoLens, was wahrscheinlich auf Unterschiede in den Modellierungsannahmen zurückzuführen ist (z. B. die Beschränkung von PyAutoLens auf ein Maximum von $n=5$).

Beschleunigung und Pipeline-Integration
Ein entscheidender Befund ist das Potenzial von LEMON, die Euclid-Modellierungspipeline zu beschleunigen. Wenn die LEMON-Vorhersagen als Anfangswerte für einen Gradientenaufstiegs-Optimierer in PyAutoLens verwendet wurden:

• Wurde die Modellierungszeit im Vergleich zum Standard-Nested-Sampling-Ansatz um den Faktor 26 reduziert (von ca. 7 Stunden auf ca. 0,27 Stunden pro Linse auf einer einzelnen CPU).
• Zufällige Initialisierungen scheiterten bei der Rekonstruktion korrekter Modelle für keinen der Testlinsen, was zeigt, dass die genauen Anfangsschätzungen des BNN essenziell sind, damit die Gradientenaufstiegs-Methode effektiv funktioniert.
• Der hybride Ansatz reduzierte auch die Fehlerraten, indem er die Einschränkungen der Standard-Pipeline komplementierte; Modelle, die mit Standardmethoden fehlschlugen, konnten durch den hybrischen Ansatz teilweise wiederhergestellt werden.

Bedeutung und Ansprüche
Die Autoren positionieren diese Arbeit als einen bedeutenden Schritt in Richtung der effizienten, automatisierten Modellierung, die für die großen Datenmengen der Euclid-Mission erforderlich ist. Sie behaupten, dass LEMON:

• Eine robuste, schnelle Methode zur Schätzung von Linse-Masse- und Lichtparametern mit quantifizierten Unsicherheiten bietet.
• Als Kreuzvalidierungswerkzeug dienen kann, um die Fehlerrate der traditionellen Modellierungspipeline zu senken.
• Eine Beschleunigung der Modellierung einzelner Linsen um bis zu 26-mal ermöglicht, wenn es in klassische Optimierer integriert wird – eine Leistung, die mit zufälliger Initialisierung unmöglich wäre.
• In der Lage ist, die erwarteten $\sim 100.000$ Linsen von Euclid zu handhaben, was die statistische Analyse von Dunkle-Materie-Fraktionen, Massendichte-Gradienten und Initial Mass Functions über beispiellose Stichprobengrößen hinweg ermöglicht.

Die Arbeit bleibt bescheiden hinsichtlich der Rekonstruktion des Sérsic-Index und der Massen-Elliptizität auf realen Daten und räumt ein, dass diese Parameter schwieriger zu bestimmen sind und dass Verteilungsverschiebungen zwischen Simulationen und realen Daten die Leistung beeinflussen. Zukünftige Arbeiten schlagen vor, den Trainingsdatensatz zu erweitern, um breitere Parameterbereiche abzudecken, und Deblending-Techniken zu implementieren, um die Parameter-Vorhersage zu verbessern.