[論文レビュー] Towards deeper neural networks for Fast Radio Burst detection

Devansh Agarwal, K.K. Aggarwal+3 more|arXiv (Cornell University)|Feb 17, 2019

Pulsars and Gravitational Waves Research被引用数 2

ひとこと要約

本論文では、グリーン・バンク天文台のシミュレートされたFRBと実際のRFIデータを用いて訓練された11個の深層畳み込みニューラルネットワークを用いた転移学習ベースの手法を提案し、FRBとRFI候補を99.5％以上の精度と再現率で分類する。この手法は、望遠鏡や周波数システムに依存しない高い性能を達成しており、リアルタイムでの運用が可能なオープンソースツールFETCHを提供することで、共存型調査への応用が可能である。

ABSTRACT

With the upcoming commensal surveys for Fast Radio Bursts (FRBs), and their high candidate rate, usage of machine learning algorithms for candidate classification is a necessity. Such algorithms will also play a pivotal role in sending real-time triggers for prompt follow-ups with other instruments. In this paper, we have used the technique of Transfer Learning to train the state-of-the-art deep neural networks for classification of FRB and Radio Frequency Interference (RFI) candidates. These are convolutional neural networks which work on radio frequency-time and dispersion measure-time images as the inputs. We trained these networks using simulated FRBs and real RFI candidates from telescopes at the Green Bank Observatory. We present 11 deep learning models, each with an accuracy and recall above 99.5% on our test dataset comprising of real RFI and pulsar candidates. As we demonstrate, these algorithms are telescope and frequency agnostic and are able to detect all FRBs with signal-to-noise ratios above 10 in ASKAP and Parkes data. We also provide an open-source python package FETCH (Fast Extragalactic Transient Candidate Hunter) for classification of candidates, using our models. Using FETCH, these models can be deployed along with any commensal search pipeline for real-time candidate classification.

研究の動機と目的

• 今後の共存型FRB調査における高い候補レート問題を解決するため、FRBおよびRFI候補の自動分類を実現すること。
• リアルタイムでの利用を想定した、望遠鏡や周波数に依存しない分類システムの開発。
• ASKAP やパーケスなどの多様な望遠鏡データにおいて、信号対雑音比が10以上のFRBを高信頼性で検出すること。
• 既存の候補パイプラインへの統合が可能な、実装可能でオープンソースのソリューションを提供すること。

提案手法

• 状態の最新の畳み込みニューラルネットワークを、グリーン・バンク天文台のシミュレートされたFRBと実際のRFIデータに転移学習を適用して微調整する。
• 入力データは、ラジオ周波数-時間および分散測定-時間の画像に変換され、モデルの学習と推論に使用される。
• モデルは、シミュレートされたFRB信号と実際のRFIまたはパルサー候補を区別するように訓練される。
• 合計11個のディープラーニングモデルが開発され、実際のRFIおよびパルサー候補から構成されるテストセットにおいて高い性能を達成した。
• リアルタイムでのモデル展開を可能にするオープンソースのPythonパッケージ、FETCH（Fast Extragalactic Transient Candidate Hunter）が公開された。
• このフレームワークは、即座に一連の瞬間的候補を分類可能な、あらゆる共存型探索パイプラインと互換性を持つように設計されている。

実験結果

リサーチクエスチョン

• RQ1 転移学習は、高候補率の調査におけるFRB検出精度を向上させ得るか？
• RQ2 ある望遠鏡のデータで学習したディープニューラルネットワークは、他の望遠鏡や周波数に一般化可能か？
• RQ3 リアルタイム分類能力を維持しつつ、高い再現率と精度を達成できるか？
• RQ4 これらのモデルは、多様な観測データにおいて、信号対雑音比が10以上のFRBをどの程度検出できるか？

主な発見

• 11個のすべてのディープラーニングモデルが、実際のRFIおよびパルサー候補を含むテストデータセットで99.5％以上の精度と再現率を達成した。
• モデルは、ASKAPおよびパーケス望遠鏡のデータにおいて、信号対雑音比が10以上のすべてのFRBを正しく検出した。
• このアプローチは望遠鏡や周波数に依存しないため、再トレーニングなしにさまざまな観測システムに展開可能である。
• オープンソースのFETCHパッケージにより、既存の共存型探索パイプラインへのモデル統合がスムーズに可能となり、リアルタイムでの候補分類が実現された。
• 実世界のRFIおよびパルサー信号に対しても強力な一般化性能を示しており、実用的・実装可能性が強く裏付けられている。