مقاله تشخیص RFI با شبکه های عصبی سنبله

چکیده

Radio Frequency Interference (RFI) detection and mitigation is critical for enabling and maximising the scientific output of radio telescopes. The emergence of machine learning methods capable of handling large datasets has led to their application in radio astronomy, particularly in RFI detection. Spiking Neural Networks (SNNs), inspired by biological systems, are well-suited for processing spatio-temporal data. This study introduces the first application of SNNs to an astronomical data-processing task, specifically RFI detection. We adapt the nearest-latent-neighbours (NLN) algorithm and auto-encoder architecture proposed by previous authors to SNN execution by direct ANN2SNN conversion, enabling simplified downstream RFI detection by sampling the naturally varying latent space from the internal spiking neurons. We evaluate performance with the simulated HERA telescope and hand-labelled LOFAR dataset that the original authors provided. We additionally evaluate performance with a new MeerKAT-inspired simulation dataset. This dataset focuses on satellite-based RFI, an increasingly important class of RFI and is, therefore, an additional contribution. Our SNN approach remains competitive with the original NLN algorithm and AOFlagger in AUROC, AUPRC and F1 scores for the HERA dataset but exhibits difficulty in the LOFAR and MeerKAT datasets. However, our method maintains this performance while completely removing the compute and memory-intense latent sampling step found in NLN. This work demonstrates the viability of SNNs as a promising avenue for machine-learning-based RFI detection in radio telescopes by establishing a minimal performance baseline on traditional and nascent satellite-based RFI sources and is the first work to our knowledge to apply SNNs in astronomy.

چکیده به فارسی (ترجمه ماشینی)

تداخل فرکانس رادیویی (RFI) تشخیص و کاهش برای فعال کردن و به حداکثر رساندن خروجی علمی تلسکوپ های رادیویی بسیار مهم است.ظهور روشهای یادگیری ماشین که قادر به دستیابی به مجموعه داده های بزرگ هستند ، منجر به کاربرد آنها در نجوم رادیویی ، به ویژه در تشخیص RFI شده است.شبکه های عصبی سنبله (SNN) ، با الهام از سیستم های بیولوژیکی ، برای پردازش داده های فضایی-زمانی مناسب هستند.این مطالعه اولین کاربرد SNN ها را برای یک کار پردازش داده های نجومی ، به ویژه تشخیص RFI معرفی می کند.ما الگوریتم نزدیکترین ضعف (NLN) و معماری خودکار رمزگذار را که توسط نویسندگان قبلی پیشنهاد شده است برای اجرای SNN با تبدیل مستقیم ANN2SNN سازگار می کنیم ، امکان تشخیص RFI در پایین دست را با نمونه گیری از فضای نهفته به طور طبیعی متفاوت از نورونهای اسپیکر داخلی فراهم می کنیم.ما عملکرد را با تلسکوپ شبیه سازی شده HERA و مجموعه داده Lofar با برچسب دستی که نویسندگان اصلی ارائه می دهند ارزیابی می کنیم.علاوه بر این ، ما عملکرد را با یک مجموعه داده شبیه سازی با الهام از Meerkat جدید ارزیابی می کنیم.این مجموعه داده بر RFI مبتنی بر ماهواره ، یک کلاس به طور فزاینده ای از RFI متمرکز است و از این رو سهم اضافی است.رویکرد SNN ما با الگوریتم اصلی NLN و Aoflagger در نمرات AUROC ، AUPRC و F1 برای مجموعه داده های Hera رقابت می کند اما در مجموعه داده های Lofar و Meerkat مشکل دارد.با این حال ، روش ما این عملکرد را حفظ می کند در حالی که کاملاً مرحله نمونه برداری محاسبات و حافظه و حافظه را که در NLN یافت می شود ، از بین می برد.این کار نشان دهنده زنده ماندن SNN ها به عنوان یک خیابان امیدوار کننده برای تشخیص RFI مبتنی بر ماشین در تلسکوپ های رادیویی با ایجاد یک پایه حداقل عملکرد در منابع RFI مبتنی بر ماهواره سنتی و تازه است و اولین کار برای دانش ما برای اعمال SNN در نجوم استبشر