ترجمه فارسی مقاله بررسی پیلوت WALLABY : یافتن منبع HI با یک چارچوب یادگیری ماشینی

چکیده

The data volumes generated by the WALLABY atomic Hydrogen (HI) survey using the Australiian Square Kilometre Array Pathfinder (ASKAP) necessitate greater automation and reliable automation in the task of source-finding and cataloguing. To this end, we introduce and explore a novel deep learning framework for detecting low Signal-to-Noise Ratio (SNR) HI sources in an automated fashion. Specfically, our proposed method provides an automated process for separating true HI detections from false positives when used in combination with the Source Finding Application (SoFiA) output candidate catalogues. Leveraging the spatial and depth capabilities of 3D Convolutional Neural Networks (CNNs), our method is specifically designed to recognise patterns and features in three-dimensional space, making it uniquely suited for rejecting false positive sources in low SNR scenarios generated by conventional linear methods. As a result, our approach is significantly more accurate in source detection and results in considerably fewer false detections compared to previous linear statistics-based source finding algorithms. Performance tests using mock galaxies injected into real ASKAP data cubes reveal our method’s capability to achieve near-100% completeness and reliability at a relatively low integrated SNR~3-5. An at-scale version of this tool will greatly maximise the science output from the upcoming widefield HI surveys.

چکیده به فارسی (ترجمه ماشینی)

حجم داده های تولید شده توسط بررسی هیدروژن اتمی Wallaby (HI) با استفاده از مسیر آرایه کیلومتر مربع استرالیایی (ASKAP) نیاز به اتوماسیون بیشتر و اتوماسیون قابل اعتماد در کار منبع و کاتالوگ دارد.برای این منظور ، ما یک چارچوب یادگیری عمیق جدید را برای تشخیص منابع HI نسبت سیگنال به نویز کم (SNR) به روش خودکار معرفی و کشف می کنیم.به طور خاص ، روش پیشنهادی ما یک فرآیند خودکار برای جدا کردن تشخیص HI واقعی از مثبت کاذب هنگام استفاده در ترکیب با کاتالوگ کاندیدای خروجی منبع (SOFIA) فراهم می کند.با استفاده از قابلیت های مکانی و عمق شبکه های عصبی سه بعدی (CNN) ، روش ما به طور خاص برای تشخیص الگوهای و ویژگی ها در فضای سه بعدی طراحی شده است ، و این امر را برای رد منابع مثبت کاذب در سناریوهای کم SNR که توسط روشهای خطی معمولی ایجاد می شود ، مناسب می کند.در نتیجه ، رویکرد ما در تشخیص منبع به طور قابل توجهی دقیق تر است و منجر به تشخیص کاذب قابل توجهی در مقایسه با الگوریتم های یافتن منبع خطی قبلی مبتنی بر آمار می شود.تست های عملکرد با استفاده از کهکشانهای مسخره تزریق شده به مکعب های داده واقعی ASKAP توانایی روش ما را برای دستیابی به کامل بودن و قابلیت اطمینان نزدیک به 100 ٪ در یک SNR یکپارچه نسبتاً کم 3-5 نشان می دهد.نسخه AT در مقیاس این ابزار ، بازده علمی را از نظرسنجی های آینده Widefield HI به حداکثر می رساند.