Artificial intelligence for gravitational lenses search in astronomical all-sky surveys
Intelligence artificielle et recherche de lentilles gravitationnelles dans les grands relevés astronomiques
Résumé
The gravitational lensing effect is one of the most spectacular and useful consequences of general relativity. It is a precise technique for measuring the mass distribution of galaxy clusters, studying their dark matter content and mass profile. Moreover, it is one of the few methods allowing for the measurement of the Hubble constant, H_0, with an accuracy of <4%. In this thesis, we developed a machine learning-based approach to search for quadruply imaged lensed quasars (quads) in the Gaia DR3 catalog.Due to the limited number of known quads to date (approximately 70 known quads as of July 15, 2023), realistic gravitational lensing simulations are crucial to train the machine learning algorithms that I employed.Firstly, we detail the method I developed to improve deflector simulations by using realistic distributions of parameters. This method analyzes the shape, alignment, and mass distribution of matter halos in the EAGLE cosmological simulations.Subsequently, I utilized statistical information obtained from the shapes of these dark and baryonic matter halos to perform gravitational lensing simulations using an SIE+shear model, exploring a wide range of possible configurations. These simulations were used to train the XGBoost machine learning algorithm, based on gradient tree boosting. By combining parameter distributions obtained from EAGLE simulations with the XGBoost learning algorithm, we obtained eight trained models.Next, we compared the results of this learning approach to recent quad discoveries to assess the effectiveness of our method. We confirmed the efficiency of these models by evaluating a sample of false positive cases from previous observation campaigns, which showed a significant reduction in false positive scores. Additionally, out of a sample of 20 confirmed quads, 16 were correctly identified with high scores, thus reinforcing the reliability of our approach. The obtained results highlight the significant improvement our method brings compared to previous approaches.By applying the trained models to the EOLENS data, the multiplet catalog from the GravLens analysis chain of the Gaia Data Processing and Analysis Consortium (Gaia DPAC), we established a promising list of several dozen new candidate quadruply imaged lensed quasars. These candidates will be the subject of future observation campaigns to confirm or refute their nature.
L'effet de lentille gravitationnelle est l'une des conséquences les plus spectaculaires et les plus utiles de la relativité générale. C'est une technique précise pour mesurer la distribution de masse des amas de galaxies, étudier leur contenu en matière noire et leur profil de masse, et l'une des rares techniques qui permettent de mesurer la constante de Hubble H_0 avec une précision <4%. Dans cette thèse, nous avons développé une approche basée sur l'apprentissage automatique pour rechercher des quasars lentillés à quatre images (quads) dans le catalogue Gaia DR3. En raison du nombre limité de quads connus à ce jour (environ 70 quads connus au 15/07/2023), il est essentiel de réaliser des simulations réalistes de lentilles gravitationnelles pour entraîner les algorithmes d'apprentissage automatique que j'ai employés.Tout d'abord, nous détaillons la méthode que j'ai développée pour améliorer les simulations des déflecteurs en utilisant des distributions réalistes de paramètres. Cette méthode analyse la forme, l'alignement et la distribution de masse des halos de matière dans les simulations cosmologiques EAGLE.J'ai ensuite utilisé les informations statistiques obtenues sur la forme de ces halos de matière noire et de matière baryonique pour réaliser des simulations de lentilles gravitationnelles à l'aide d'un modèle SIE+textit{shear} en explorant un large éventail de configurations possibles. Ces simulations ont été utilisées pour entraîner l'algorithme de machine learning XGBoost, basé sur le textit{gradient tree boosting}. En combinant les distributions de paramètres obtenues à partir de simulations EAGLE avec l'algorithme d'apprentissage XGBoost, nous avons obtenu huit modèles entraînés. Nous confrontons alors les résultats de cet apprentissage aux découvertes récentes de quads pour évaluer l'efficacité de cette approche. Nous avons confirmé l'efficacité de ces modèles en évaluant un échantillon de cas faux positifs issus de précédentes campagnes d'observation, montrant une réduction significative des scores des faux positifs. De plus, parmi un échantillon de 20 quads confirmés, 16 ont été correctement identifiés avec un score élevé, renforçant ainsi la fiabilité de notre approche. Les résultats obtenus soulignent l'amélioration significative apportée par notre méthode par rapport aux approches précédentes.En exploitant les modèles entraînés sur les données d'EOLENS, le catalogue de multiplets issu de la chaîne d'analyse GravLens du Gaia Data Processing and Analysis Consortium (Gaia DPAC), nous avons établi une liste prometteuse de plusieurs dizaines de nouveaux candidats de quasars lentillés à quatre images. Ces candidats seront l'objet de futures campagnes d'observation pour confirmer ou infirmer leur nature.
| Origine | Version validée par le jury (STAR) |
|---|