[论文解读] Towards online triggering for the radio detection of air showers using deep neural networks

Florian Führer, Tom Charnock+2 more|arXiv (Cornell University)|Sep 6, 2018

Astrophysics and Cosmic Phenomena参考文献 1被引用 5

一句话总结

本文提出一种基于深度神经网络（DNN）的在线触发方法，用于利用单天线数据进行无线电阵列空气簇射探测，与传统阈值方法相比，显著降低了误触发率。该DNN在误报率低于0.2%的条件下实现了72%的分类准确率，证明了其在GRAND等超高能宇宙射线与中微子探测实验中实现实时、低延迟触发的可行性。

ABSTRACT

The detection of air-shower events via radio signals requires to develop a trigger algorithm for a clean discrimination between signal and background events in order to reduce the data stream coming from false triggers. In this contribution we will describe an approach to trigger air-shower events on a single-antenna level as well as performing an online reconstruction of the shower parameters using neural networks.

研究动机与目标

• 开发一种基于深度学习的实时在线触发系统，用于无线电空气簇射探测。
• 降低在以瞬态人为噪声为主的无线电数据流中的误报率。
• 实现更低的触发阈值，以探测能量较低的空气簇射，提升统计灵敏度。
• 证明基于单天线的DNN触发方法在GRAND等大规模阵列中作为可扩展解决方案的可行性。
• 为后续在线簇射重建流程集成DNN触发器奠定基础。

提出的方法

• 使用包含3个卷积层、最大池化层和一个64个神经元的全连接层的DNN，基于类似GRAND的35×35天线阵列的模拟电压波形进行训练。
• 网络通过在150,000条时间波形上使用分类交叉熵损失进行训练，其中一半包含模拟的空气簇射信号，另一半仅包含噪声。
• 输入数据由三个电压波形分量与天线响应函数卷积后生成，叠加15 μV的高斯白噪声，并经50–200 MHz带通滤波。
• DNN设计用于直接从原始天线数据中检测无线电信号，实现无需预先模板匹配的自触发。
• 利用迁移学习，仅使用少量真实数据即可将训练好的DNN适配至真实世界噪声环境。
• 该架构天然包含偏振信息，提升了信号与瞬态噪声之间的区分能力。

实验结果

研究问题

• RQ1 深度神经网络能否在单天线水平上实时有效地区分空气簇射的无线电信号与背景噪声？
• RQ2 与传统阈值触发相比，DNN触发在误报率和真正检测率方面表现如何？
• RQ3 基于模拟数据训练的DNN在多大程度上能泛化至真实世界噪声，包括瞬态干扰？
• RQ4 DNN触发能否集成到多级触发系统中，以进一步降低误报？
• RQ5 DNN触发的计算成本是否适合下一代无线电阵列的大规模实时部署？

主要发现

• 基于DNN的触发系统实现了72%的整体分类准确率，优于传统阈值触发在60 μV时的69%准确率。
• 误报率从4%降低至低于0.2%，实现了超过十倍的误报抑制提升。
• 真正检测率从42%略微提升至43%，表明在更严格的滤波条件下仍具备更好的信号恢复能力。
• DNN在真实噪声环境下表现稳健，尤其在通过少量真实数据进行微调后性能更优。
• 该方法在计算上可行，现代低功耗机器学习硬件可高效处理推理负载，适用于实时应用。
• 该方法可实现更低的触发阈值，提升对低能空气簇射的探测灵敏度，增强统计探测能力。