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

Resumo Técnico: LEMON – LEns MOdelling with Neural networks for Euclid Gravitational Lenses

Definição do Problema
A missão Euclid irá realizar um levantamento de aproximadamente 14.000 deg² do céu extragaláctico, podendo gerar cerca de $10^5$ imagens de lentes gravitacionais. Embora as Redes Neurais Convolucionais (CNNs) tenham se mostrado eficazes para a detecção de lentes, a modelagem subsequente desses sistemas para estimar parâmetros de massa e luz permanece um gargalo. A modelagem tradicional depende de técnicas computacionalmente intensivas e manuais, como os métodos de máxima verossimilhança e Monte Carlo via Cadeias de Markov (MCMC). Essas abordagens são lentas demais para lidar com o volume de dados previsto e frequentemente exigem intervenção humana para definir condições iniciais, levando a potenciais taxas de falha e ineficiências no pipeline de modelagem do Euclid.

Metodologia
Este artigo apresenta uma expansão do LEMON (LEns MOdelling with Neural networks), uma Rede Neural Bayesiana (BNN) projetada para a modelagem automatizada e rápida de lentes gravitacionais fortes.

• Arquitetura: O LEMON utiliza uma arquitetura ResNet-50. Ele emprega camadas de dropout tanto durante o treinamento quanto na inferência para facilitar a estimativa de incerteza Bayesiana via amostragem de Monte Carlo. Isso permite que a rede distinga entre dois tipos de incerteza:
  • Incerteza aleatória (aleatoric uncertainty): Intrínseca aos dados (ex: baixo sinal-ruído, corrupção da imagem).
  • Incerteza epistêmica (epistemic uncertainty): Decorrente da falta de conhecimento do modelo em regiões específicas do espaço de parâmetros.
• Dados de Treinamento: A rede foi treinada e testada em 100.000 lentes simuladas do Euclid, geradas pelo Grupo de Trabalho de Ciência de Lentes Fortes do Consórcio Euclid. Essas simulações incluem contaminantes (objetos de primeiro ou segundo plano) e cobrem uma ampla gama de cenários ambientais. As lentes são modeladas com um perfil de massa de Elipsoide Isotérmico Singular (SIE) mais cisalhamento externo, e o perfil de luz é descrito por um único modelo de Sérsic.
• Parâmetros Alvo: O LEMON prevê oito parâmetros fundamentais:
  1. Raio de Einstein ($R_{Ein}$)
  2. Componentes de elipticidade de massa ($\epsilon_{x,m}, \epsilon_{y,m}$)
  3. Componentes de elipticidade de luz ($\epsilon_{x,l}, \epsilon_{y,l}$)
  4. Raio efetivo da lente ($R_{e, lens}$)
  5. Índice de Sérsic da lente ($n_{lens}$)
  6. Magnitude da lente ($m_{lens}$)
  7. Posições x e y da fonte não lensada ($x_{src}, y_{src}$)
• Calibração: Para abordar a super ou subestimação sistemática dos intervalos de confiança comuns em BNNs, os autores aplicaram o Platt-scaling para calibrar as previsões de incerteza total usando um conjunto de validação de lentes simuladas.
• Pipeline Híbrido: Uma aplicação secundária do LEMON envolve o uso de suas previsões como pontos iniciais para o pipeline de modelagem padrão do Euclid (PyAutoLens). Isso substitui a inicialização por amostragem aninhada (nested-sampling) por um otimizador de ascensão de gradiente, aproveitando a inferência rápida da BNN para acelerar a convergência dos métodos tradicionais.

Resultados Principais
O desempenho do LEMON foi validado através de três conjuntos de dados distintos:

1. Conjunto de Teste Mock Euclid:

   • O LEMON demonstrou alta precisão na recuperação de parâmetros para lentes simuladas.
   • Raio de Einstein: Bem recuperado com um coeficiente de determinação ($R^2$) de 0,91 e baixo viés.
   • Elipticidades: A elipticidade de luz foi recuperada com precisão excepcional ($R^2 \approx 0,96$), enquanto a elipticidade de massa mostrou um desempenho ligeiramente inferior, porém robusto ($R^2 \approx 0,85-0,86$).
   • Índice de Sérsic: Este foi o parâmetro mais desafiador, apresentando a maior dispersão ($R^2 = 0,77$) e tendências não lineares em valores altos, o que é consistente com as dificuldades de recuperar este parâmetro apenas via fotometria.
   • Incertezas: As incertezas calibradas foram confiáveis, sendo as incertezas epistêmicas geralmente menores que as incertezas aleatórias.

2. Lentes HST Euclidizadas (Dados Reais, Degradados para a Profundidade Euclid):

   • Aplicado a lentes reais de levantamentos SLACS, EEL, COSMOS e ACS, convertidos para a resolução do Euclid.
   • O LEMON igualou os resultados de modelagem clássica para o raio de Einstein ($R^2 = 0,53$) e elipticidades ($R^2 = 0,87-0,88$).
   • As previsões do raio efetivo mostraram subestimação sistemática para valores $>1''$, provavelmente devido a deslocamentos distributivos entre as simulações de treinamento e os dados reais, além de diferenças nas suposições de modelagem (ex: índices de Sérsic fixos vs. variáveis na literatura).
   • As incertezas foram maiores do que no conjunto mock, atribuídas ao fato de a rede encontrar regiões do espaço de parâmetros fora de sua distribuição de treinamento.

3. Dados Reais do Euclid (Perseus ERO e Q1):

   • Perseus ERO: Aplicado a cinco lentes confirmadas, o LEMON recuperou raios de Einstein dentro de $1\sigma$ da modelagem clássica (software Pronto), mesmo na presença de contaminantes brilhantes, embora com maior incerteza.
   • Dados Q1: Aplicado a 354 candidatos a lentes fortes do primeiro lançamento rápido de dados (Quick Data Release 1) do Euclid.
     • A recuperação do raio de Einstein igualou-se bem ao PyAutoLens ($R^2 = 0,71$, viés $= 0,01''$).
     • A elipticidade de luz e a magnitude igualaram-se bem aos resultados clássicos ($R^2 \approx 0,74-0,90$).
     • A elipticidade de massa e o índice de Sérsic mostraram baixa correlação com o PyAutoLens, provavelmente devido a diferenças nas suposições de modelagem (ex: o PyAutoLens impondo um $n_{máximo} = 5$).

Aceleração e Integração de Pipeline
Uma descoberta crítica é o potencial do LEMON para acelerar o pipeline de modelagem do Euclid. Quando as previsões do LEMON foram usadas como palpites iniciais para um otimizador de ascensão de gradiente no PyAutoLens:

• O tempo de modelagem foi reduzido por um fator de 26 em comparação com a abordagem padrão de amostragem aninhada (de ~7 horas para ~0,27 horas por lente em uma única CPU).
• Inicializações aleatórias falharam em recuperar modelos corretos para qualquer uma das lentes de teste, demonstrando que os palpites iniciais precisos da BNN são essenciais para que o método de ascensão de gradiente funcione efetivamente.
• A abordagem híbrida também reduziu as taxas de falha ao complementar as limitações do pipeline padrão; modelos que falharam com os métodos padrão foram, por vezes, recuperados pela abordagem híbrida.

Significância e Alegações
Os autores posicionam este trabalho como um passo significativo em direção à modelagem eficiente e automatizada necessária para o grande volume de dados da missão Euclid. Eles afirmam que o LEMON:

• Fornece um método robusto e rápido para estimar parâmetros de massa e luz de lentes, com incertezas quantificadas.
• Pode servir como uma ferramenta de validação cruzada para reduzir a taxa de falha do pipeline de modelagem tradicional.
• Permite uma aceleração de até 26 vezes para a modelagem de lentes individuais quando integrado a otimizadores clássicos, um feito impossível com inicialização aleatória.
• É capaz de lidar com as ~100.000 lentes esperadas do Euclid, facilitando a análise estatística de frações de matéria escura, inclinações de densidade de massa e funções de massa inicial através de amostras sem precedentes.

O artigo mantém-se modesto quanto à recuperação do índice de Sérsic e da elipticidade de massa em dados reais, reconhecendo que esses parâmetros são mais difíceis de restringir e que deslocamentos distributivos entre simulações e dados reais afetam o desempenho. Trabalhos futuros são propostos para expandir o conjunto de treinamento para cobrir espaços de parâmetros mais amplos e implementar técnicas de deblending para melhorar a previsão de parâmetros.