Redshift estimation of gravitational lenses using computer vision

Redshift estimation is a crucial task in astrophysics, and a precise estimation can capture more information about the universe and help address open problems. Measuring redshift precisely is expensive and time-consuming. Artificial intelligence offers an alternative to traditional estimation methods, enabling faster and more efficient redshift estimation while preserving accuracy. This thesis uses deep learning models to estimate gravitational lens redshift from 4-channel images, aiming to provide a more efficient alternative to traditional approaches. Different computer vision models have been employed to perform this regression task, exploiting Convolutional Neural Networks (CNNs), Transformers, and MLP-based architectures. ResNet, EfficientNet, Swin Transformer, and MLP-Mixer were trained and evaluated on real and simulated datasets. Ensemble learning techniques were also applied to enhance performance, providing encouraging results on the redshift estimation, especially with less noisy data. To interpret the results, we apply SHAP, an explainability algorithm. This approach highlights the contribution of different parts of the images to the estimation and shows that the neural networks focus on the gravitational lenses and, occasionally, on background astronomical bodies.

La stima del redshift è un compito cruciale in astrofisica e una stima precisa può rivelare più informazioni sull’universo e aiutare ad affrontare problemi aperti. Misurare il redshift con precisione è costoso e richiede molto tempo. L’intelligenza artificiale offre un’alternativa ai metodi di stima tradizionali, consentendo una stima del redshift più rapida ed efficiente, preservando allo stesso tempo l’accuratezza. Questa tesi utilizza modelli di apprendimento profondo per stimare il redshift delle lenti gravitazionali da immagini a 4 canali, con l’obiettivo di fornire un’alternativa più efficiente agli approcci tradizionali. Sono stati impiegati diversi modelli di visione artificiale per eseguire questa attività di regressione, sfruttando reti neurali convoluzionali (CNN), transformer e architetture basate su MLP. ResNet, EfficientNet, Swin Transformer e MLP-Mixer sono stati addestrati e valutati su dati reali e simulati. Sono state applicate anche tecniche di ensembling per migliorare le prestazioni, producendo risultati incoraggianti sulla stima del redshift, in particolare sui dati meno rumorosi. Per interpretare i risultati, applichiamo SHAP, un algoritmo di spiegabilità. Questo approccio evidenzia il contributo di diverse parti delle immagini alla stima e mostra che le reti neurali si concentrano sulle lenti gravitazionali e, occasionalmente, sui corpi astronomici sullo sfondo.