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

Sintesi Tecnica: LEMON – LEns MOdelling with Neural networks for Euclid Gravitational Lenses

Definizione del Problema
La missione Euclid è destinata a sondare circa 14.000 gradi quadrati di cielo extragalattico, producendo potenzialmente circa $10^5$ immagini di lenti gravitazionali. Sebbene le Reti Neurali Convoluzionali (CNN) si siano dimostrate efficaci per la rilevazione delle lenti, la successiva modellazione di questi sistemi per stimare i parametri di massa e luce rimane un collo di bottiglia. La modellazione tradizionale si affida a tecniche computazionalmente intensive e manuali, come i metodi di massima verosimiglianza e Markov Chain Monte Carlo (MCMC). Questi approcci sono troppo lenti per gestire il volume di dati previsto e richiedono spesso l'intervento umano per impostare le condizioni iniziali, portando a potenziali tassi di fallimento ed inefficienze nella pipeline di modellazione di Euclid.

Metodologia
Questo articolo presenta un'espansione di LEMON (LEns MOdelling with Neural networks), una Rete Neurale Bayesiana (BNN) progettata per la modellazione automatizzata e rapida di lenti gravitazionali forti.

• Architettura: LEMON utilizza un'architettura ResNet-50. Impiega strati di dropout sia durante l'addestramento che durante l'inferenza per facilitare la stima dell'incertezza bayesiana tramite campionamento Monte Carlo. Ciò consente alla rete di distinguere tra due tipi di incertezza:
  • Incertezza aleatoria: intrinseca ai dati (ad es., basso rapporto segnale-rumore, corruzione dell'immagine).
  • Incertezza epistemica: derivante dalla mancanza di conoscenza del modello in specifiche regioni dello spazio dei parametri.
• Dati di Addestramento: La rete è stata addestrata e testata su 100.000 lenti mock di Euclid generate dal Euclid Consortium's Strong Lensing Science Working Group. Queste simulazioni includono contaminanti (oggetti in primo piano/sfondo) e coprono una vasta gamma di scenari ambientali. Le lenti sono modellate con un profilo di massa a Elissoide Isotermico Singolare (SIE) più shear esterno, e il profilo di luce è descritto da un singolo modello di Sérsic.
• Parametri Target: LEMON predice otto parametri chiave:
  1. Raggio di Einstein ($R_{Ein}$)
  2. Componenti di ellitticità della massa ($\epsilon_{x,m}, \epsilon_{y,m}$)
  3. Componenti di ellitticità della luce ($\epsilon_{x,l}, \epsilon_{y,l}$)
  4. Raggio efficace della lente ($R_{e, lens}$)
  5. Indice di Sérsic della lente ($n_{lens}$)
  6. Magnitudine della lente ($m_{lens}$)
  7. Posizioni x e y della sorgente non lensata ($x_{src}, y_{src}$)
• Calibrazione: Per affrontare la sistematica sovrastima o sottostima degli intervalli di confidenza tipica delle BNN, gli autori hanno applicato la calibrazione Platt-scaling per calibrare le predizioni dell'incertezza totale utilizzando un set di validazione di lenti simulate.
• Pipeline Ibrida: Un'applicazione secondaria di LEMON prevede l'uso delle sue predizioni come punti di partenza iniziali per la pipeline di modellazione standard di Euclid (PyAutoLens). Questo sostituisce l'inizializzazione standard tramite nested-sampling con un ottimizzatore a gradiente ascendente, sfruttando l'inferenza rapida della BNN per accelerare la convergenza dei metodi tradizionali.

Risultati Chiave
Le prestazioni di LEMON sono state validate attraverso tre distinti dataset:

1. Mock Euclid Test Set:

   • LEMON ha dimostrato un'elevata accuratezza nel recupero dei parametri per le lenti simulate.
   • Raggio di Einstein: Ben recuperato con un coefficiente di determinazione ($R^2$) di 0,91 e un basso bias.
   • Ellitticità: L'ellitticità della luce è stata recuperata con una precisione eccezionale ($R^2 \approx 0,96$), mentre l'ellitticità della massa ha mostrato una performance leggermente inferiore ma robusta ($R^2 \approx 0,85-0,86$).
   • Indice di Sérsic: Questo è stato il parametro più impegnativo, mostrando la maggiore dispersione ($R^2 = 0,77$) e trend non lineari per valori elevati, coerentemente con le difficoltà nel recuperare questo parametro tramite sola fotometria.
   • Incertezze: Le incertezze calibrate sono state affidabili, con le incertezze epistemiche generalmente inferiori alle incertezze aleatorie.

2. Lenti HST "Euclidised" (Dati Reali, Degradati alla profondità di Euclid):

   • Applicato a lenti reali provenienti dai survey SLACS, EEL, COSMOS e ACS convertite alla risoluzione di Euclid.
   • LEMON ha eguagliato i risultati della modellazione classica per il raggio di Einstein ($R^2 = 0,53$) e le ellitticità ($R^2 = 0,87-0,88$).
   • Le predizioni del raggio efficace hanno mostrato una sottostima sistematica per valori $>1''$, probabilmente a causa di shift distribuzionali tra le simulazioni di addestramento e i dati reali, e differenze nelle assunzioni di modellazione (ad es., indice di Sérsic fisso vs variabile nella letteratura).
   • Le incertezze erano più elevate rispetto al set mock, attribuito al fatto che la rete incontra regioni dello spazio dei parametri al di fuori della sua distribuzione di addestramento.

3. Dati Reali Euclid (Perseus ERO e Q1):

   • Perseus ERO: Applicato a cinque lenti confermate, LEMON ha recuperato i raggi di Einstein entro $1\sigma$ dalla modellazione classica (software Pronto), anche in presenza di contaminanti brillanti, sebbene con un'incertezza maggiore.
   • Dati Q1: Applicato a 354 candidati lenti forti dal Euclid Quick Data Release 1.
     • Il recupero del raggio di Einstein corrisponde bene a PyAutoLens ($R^2 = 0,71$, bias $= 0,01''$).
     • L'ellitticità della luce e la magnitudine corrispondono bene ai risultati classici ($R^2 \approx 0,74-0,90$).
     • L'ellitticità della massa e l'indice di Sérsic hanno mostrato una scarsa correlazione con PyAutoLens, probabilmente a causa di differenze nelle assunzioni di modellazione (ad es., PyAutoLens impone un $n_{max}=5$).

Accelerazione e Integrazione della Pipeline
Un risultato critico è il potenziale di LEMON per accelerare la pipeline di modellazione di Euclid. Quando le predizioni di LEMON sono state utilizzate come ipotesi iniziali per un ottimizzatore a gradiente ascendente in PyAutoLens:

• Il tempo di modellazione è stato ridotto di un fattore di 26 rispetto all'approccio standard di nested-sampling (da circa 7 ore a circa 0,27 ore per lente su una singola CPU).
• Le inizializzazioni casuali non sono riuscite a recuperare modelli corretti per nessuna delle lenti di test, dimostrando che le ipotesi iniziali accurate della BNN sono essenziali affinché il metodo a gradiente ascendente funzioni efficacemente.
• L'approccio ibrido ha anche ridotto i tassi di fallimento complementando i limiti della pipeline standard; i modelli che fallivano con i metodi standard sono stati talvolta recuperati dall'approccio ibrido.

Significatività e Rivendicazioni
Gli autori posizionano questo lavoro come un passo significativo verso la modellazione efficiente e automatizzata richiesta per la missione Euclid e i suoi grandi volumi di dati. Affermano che LEMON:

• Fornisce un metodo robusto e veloce per stimare i parametri di massa e luce delle lenti con incertezze quantificate.
• Può servire come strumento di cross-validazione per ridurre il tasso di fallimento della pipeline di modellazione tradizionale.
• Permette un'accelerazione fino a 26 volte per la modellazione delle singole lenti quando integrata con ottimizzatori classici, un traguardo impossibile con l'inizializzazione casuale.
• È in grado di gestire le circa 100.000 lenti previste da Euclid, facilitando l'analisi statistica delle frazioni di materia oscura, delle pendenze di densità di massa e delle funzioni di massa iniziale su campioni di dimensioni senza precedenti.

Il lavoro rimane modesto riguardo al recupero dell'indice di Sérsic e dell'ellitticità della massa sui dati reali, riconoscendo che questi parametri sono più difficili da vincolare e che gli shift distribuzionali tra simulazioni e dati reali influenzano le prestazioni. Il lavoro futuro proposto mira ad espandere il set di addestramento per coprire spazi di parametri più ampi e a implementare tecniche di deblending per migliorare la predizione dei parametri.