Segmentation d'image pour analyser les systèmes de lentille gravitationnelle forte entre galaxies

Objectifs. Le but de cette lettre est de développer un modèle d'apprentissage automatique pour analyser la lentille gravitationnelle principale et détecter la sous-structure sombre (sous-halos) dans des images simulées de galaxies fortement lencées. Méthodes. En utilisant la technique de segmentation d'image, nous transformons la tâche d'identification des sous-halos en un problème de classification, où nous étiquetons chaque pixel d'une image comme provenant de la lentille principale, d'un sous-halo dans une plage de masse binned, ou aucun des deux. Notre réseau est uniquement entraîné sur des images avec une seule lentille lisse et soit zéro soit un sous-halo près de l'anneau d'Einstein. Résultats. Sur un ensemble de test indépendant avec des lentilles ayant de grandes ellipticités, des moments quadrupoles et octopoles, et pour des magnitudes apparentes de source comprises entre 17 et 25, la surface de la lentille principale est récupérée avec précision. En moyenne, seulement 1,3 % de la surface réelle est manquée et 1,2 % de la surface réelle est ajoutée à une autre partie de la lentille. De plus, des sous-halos aussi légers que 10⁸.⁵ M⊙ peuvent être détectés s'ils se trouvent dans des pixels lumineux le long de l'anneau d'Einstein. En outre, le modèle est capable de se généraliser à de nouveaux contextes sur lesquels il n'a pas été entraîné, tels que la localisation de plusieurs sous-halos avec des masses variables ou plus d'une grande lentille lisse.