[논문 리뷰] Towards deeper neural networks for Fast Radio Burst detection

Devansh Agarwal, K.K. Aggarwal외 3명|arXiv (Cornell University)|2019. 02. 17.

Pulsars and Gravitational Waves Research인용 수 2

한 줄 요약

이 논문은 그린 밸리 관측소의 시뮬레이션된 FRB와 실제 RFI 데이터를 기반으로 훈련된 11개의 딥 컨volution 네트워크를 사용하여 99.5% 이상의 정확도와 재현율을 달성하는 전이학습 기반 접근법을 제안한다. 다양한 천체망원경 및 주파수 시스템에서 높은 성능을 보이며, 실시간으로 공통 사용 가능한 설문 조사에 배포할 수 있는 오픈소스 도구인 FETCH를 제공한다.

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.

연구 동기 및 목표

• 향후 공통 사용 가능한 FRB 설문 조사에서 발생하는 높은 후보자 수 문제를 해결하기 위해 FRB 및 RFI 후보자의 자동 분류를 수행한다.
• 실시간으로 다중 기기 후속 캠페인에 사용 가능한 천체망원경 및 주파수에 관계없는 분류 시스템을 개발한다.
• ASKAP 및 파크스와 같은 다양한 천체망원경 데이터에서 신호 대 잡음비가 10 이상인 FRB의 탐지 신뢰도를 향상시킨다.
• 기존 후보자 파이프라인에 통합할 수 있는 배포 가능한 오픈소스 솔루션을 제공한다.

제안 방법

• 이론적 최신의 컨volution 네트워크를 시뮬레이션된 FRB와 그린 밸리 관측소의 실제 RFI 데이터에 대해 전이학습을 적용하여 미세조정한다.
• 모델 훈련 및 추론을 위해 입력 데이터를 무선 주파수-시간 및 분산 측정-시간 이미지로 변환한다.
• 모델은 시뮬레이션된 FRB 신호와 실제 RFI 또는 펄서 후보자 간을 구분하도록 훈련된다.
• 모든 11개의 딥 러닝 모델이 실제 RFI 및 펄서 후보자로 구성된 테스트 세트에서 높은 성능을 달성한다.
• 실시간 배포를 가능하게 하는 오픈소스 파이썬 패키지인 FETCH(Fast Extragalactic Transient Candidate Hunter)가 공개된다.
• 이 프레임워크는 즉각적인 임계 후보자 분류를 위해 어떤 공통 사용 가능한 검색 파이프라인과도 호환되도록 설계되어 있다.

실험 결과

연구 질문

• RQ1 전이학습이 높은 후보자 수가 발생하는 설문 조사에서 FRB 탐지 정확도를 향상시킬 수 있는가?
• RQ2 한 천체망원경의 데이터에 대해 훈련된 딥 네트워크 모델이 다른 천체망원경 및 주파수로 일반화될 수 있는가?
• RQ3 모델은 실시간 분류 능력을 유지하면서도 높은 재현율과 정확도를 달성할 수 있는가?
• RQ4 이러한 모델이 다양한 관측 데이터에서 신호 대 잡음비가 10 이상인 FRB를 어느 정도의 범위로 탐지할 수 있는가?

주요 결과

• 모든 11개의 딥 러닝 모델이 실제 RFI 및 펄서 후보자로 구성된 테스트 데이터셋에서 정확도와 재현율이 99.5% 이상을 달성했다.
• 모델들은 ASKAP 및 파크스 천체망원경 데이터에서 신호 대 잡음비가 10 이상인 모든 FRB를 성공적으로 탐지했다.
• 이 접근법은 천체망원경 및 주파수에 관계없이 일반화 가능하므로, 재훈련 없이도 다양한 관측 시스템에 배포할 수 있다.
• 오픈소스인 FETCH 패키지는 기존의 공통 사용 가능한 검색 파이프라인에 모델을 원활하게 통합하여 실시간 후보자 분류를 가능하게 한다.
• 모델들은 실제 환경의 RFI 및 펄서 신호에 대해 강력한 일반화 능력을 보이며, 실용적인 적용 가능성의 강도를 입증한다.