TEGLIE: Encoders de transformador como fortes encontradores de lentes gravitacionais no KiDS. De simulações a levantamentos

Contexto. Com a geração atual e futura de levantamentos, como o Legacy Survey of Space and Time (LSST) no Observatório Vera C. Rubin e a missão Euclid, dezenas de bilhões de galáxias serão observadas, com uma parte significativa (~10 5 ) exibindo características de lente. Para detectar efetivamente esses objetos raros em meio ao vasto número de galáxias, técnicas automatizadas como aprendizado de máquina são indispensáveis. Objetivos. Aplicamos um algoritmo de transformador de última geração aos 221 deg 2 do Kilo Degree Survey (KiDS) para procurar novas lentes gravitacionais fortes (SGLs). Métodos. Testamos quatro encoders de transformador treinados em dados simulados do Strong Lens Finding Challenge com dados do KiDS. O modelo com melhor desempenho foi ajustado em imagens reais de candidatos a SGL identificados em buscas anteriores. Para expandir o conjunto de dados para ajuste fino, técnicas de aumento de dados foram empregadas, incluindo rotação, espelhamento, transposição e injeção de ruído branco. A rede ajustada com imagens rotacionadas, espelhadas e transpostas exibiu o melhor desempenho e foi usada para procurar SGLs na região sobreposta dos levantamentos Galaxy And Mass Assembly (GAMA) e KiDS em galáxias até z = 0,8. Candidatos a SGLs foram correspondidos com aqueles de outros levantamentos e examinados usando dados do GAMA para identificar espectros mesclados resultantes do sinal de múltiplos objetos em uma fibra do GAMA. Resultados. O ajuste fino do encoder de transformador aos dados do KiDS reduziu o número de falsos positivos em 70%. Além disso, a aplicação do modelo ajustado a uma amostra de ~5 000 000 de galáxias resultou em uma lista de ~51 000 candidatos a SGL. Após inspeção visual, essa lista foi reduzida a 231 candidatos. Combinados com os candidatos a SGL identificados nos testes do modelo, nossa amostra final compreende 264 candidatos, incluindo 71 SGLs de alta confiança; destes 71, 44 são novas descobertas. Conclusões. Propomos o ajuste fino via imagens reais aumentadas como uma abordagem viável para mitigar falsos positivos ao fazer a transição de lentes simuladas para levantamentos reais. Embora nosso modelo mostre melhoria, ele ainda não alcança a mesma precisão que modelos propostos anteriormente que foram treinados diretamente em imagens de galáxias do KiDS com arcos de lente simulados adicionados. Isso sugere que um conjunto maior de ajuste fino é necessário para um desempenho competitivo. Além disso, fornecemos uma lista de 121 falsos positivos que exibem características semelhantes a objetos com lente, que podem ser usados no treinamento de futuros modelos de aprendizado de máquina nesse campo.