Intergalactic Machine Vision
Bachelor thesis
Permanent lenke
https://hdl.handle.net/11250/3077943Utgivelsesdato
2023Metadata
Vis full innførselSamlinger
Sammendrag
Gravitasjonslinser gir oss en unik indirekte innsikt i mørk materie, og tillater oss å kartlegge mørk materies fordeling i universet. I dette prosjektet skal vi fortsette utviklingen på et åpent kildekode-prosjekt som sikter på å kartlegge mørk materie ved hjelp av maskinlæring. Ved å bygge på tidligere arbeid, benytter vi det nyutviklede rammeverket roulette formalisme, som kombinerer svak og sterk lensing. Med dette paradigmet demonstrerer vi at forvrengte bilder kan brukes til å gjenopprette uforvrengte bilder. Dette er et stort steg framover mot å implementere denne formalismen på ekte data. Vi satt ut for å finne det beste maskinlæringsnettverket mulig for å detektere og estimere parameterne til disse linsene. Ved å benytte denne metoden burde det videre i framtiden være mulig å kartlegge mørk materie på ekte data automatisk. Av alle nettverkene vi testet, skilte Inception-v3 og VGG-19_BN seg ut som spesielt godt egnet. De kunne forutsi parameterne til linsene med veldig høy nøyaktighet.
Videre fant vi også overraskende resultater når vi sammenlignet punktmasseformelen og de genererte bildene, og vi mener at det er en feil i det tidligere arbeidet som må utforskes. Til slutt anbefaler vi flere mulige steg videre i prosjektet. Gravitational lensing gives us an indirect probe on dark matter, thus allowing us to map out its distribution in the Universe. In this project, we further the development of an open-source project aiming at mapping dark matter through the aid of machine learning. Building on previous work, we employ the newly developed framework of the roulette formalism, which is notable in combining both weak and strong lensing. Within this paradigm, we successfully demonstrate that undistorted images can be recovered from distorted ones, and by such making a first preparatory step towards the implementation of this formalism with real data. We set out to find the best machine learning network possible to detect the parameters of these lenses. Using this, it should be further possible to map dark matter automatically on real images. Out of all the networks tested, Inception-v3 and VGG-19\_BN are found to be particularly well suited, and are able to predict lens parameters with very high accuracy.
Furthermore, we discover a surprising result when comparing the point mass lens formula and the images produced, and argue that this is due to an error in previous work that needs to be further investigated. Finally, we recommend multiple steps for the continued development of the project.