
Использование нейронных сетей для анализа и восстановления изображений событий гравитационного микролинзирования.События гравитационного микролинзирования часто дают изображения, которые зашумлены, смешаны с фоновым светом и искажены функцией рассеяния точки телескопа. Нейронные сети стали мощным инструментом для восстановления истинного сигнала из этих запутанных наблюдений. Они могут отделить событие линзирования от загрязняющих источников, оценить параметры линзы и даже выявить аномалии, которые классические алгоритмы могут пропустить.
Применение нейронных сетей к анализу микролинзирования набрало обороты в конце 2010-х годов, когда исследования продемонстрировали их способность классифицировать события и восстанавливать параметры быстрее, чем традиционная подгонка по методу хи-квадрат.
Нейронная сеть обучается на больших наборах смоделированных кривых блеска и изображений микролинзирования, учась отображать исходные данные пикселей или фотометрические временные ряды в лежащие в основе физические параметры. После обучения сеть может обрабатывать новые наблюдения за считанные секунды, выполняя деконволюцию изображения, удаляя шум и предсказывая массу, расстояние и относительное движение линзирующего объекта. Некоторые архитектуры также используют обучение без учителя для обнаружения необычных событий без необходимости в размеченных примерах.
Анализ предупреждений о микролинзировании в реальном времени, например, из планируемого обзора космического телескопа «Роман», будет полагаться на нейронные сети для быстрой идентификации и характеризации событий с целью последующих наблюдений.
Нейронные сети могут восстановить изображение линзируемого источника, даже когда событие настолько слабое, что сигнал погребён в шуме ниже порога обнаружения обычных алгоритмов.
| x | переменная | выборка данных — sample |
| z | переменная | выборка скрытой переменной — latent variable |
| D(x) | переменная | выход дискриминатора для реальных данных — discriminator output |
| G(z) | переменная | выход генератора для скрытой переменной — generator output |
| V(D,G) | переменная | функция ценности игры — value function |
| min_G | оператор | минимизация по параметрам генератора — minimization over generator |
| max_D | оператор | максимизация по параметрам дискриминатора — maximization over discriminator |
| E_{x~p_data} | оператор | математическое ожидание по эмпирическому распределению данных — expectation over data distribution |
| E_{z~p_z} | оператор | математическое ожидание по априорному распределению скрытых переменных — expectation over latent distribution |
| log | оператор | натуральный логарифм — логарифм |










