利用液态状态机推进射电天文学中的射频干扰检测

来自人类无线电源的射频干扰（RFI）对当前及未来的射电望远镜构成严峻挑战。当今针对射电望远镜频谱图进行 RFI 检测的常规方法将其视为语义分割问题，通常采用复杂的启发式算法配合手动标记（在最困难的情况下）完成“标记”任务。虽然近期的机器学习方法在准确率方面表现突出，但往往难以满足现代射电观测站的严苛运行要求。鉴于其内在的时间可变性，脉冲神经网络（SNN）因其利用频谱数据时间可变性特征，成为 RFI 检测的有前景的替代方法。本文将液态状态机（LSM），即一类脉冲神经网络，应用于 RFI 检测。我们采用二阶 Leaky Integrate-and-Fire（LiF）神经元，标志着该网络结构和神经元类型首次用于 RFI 检测。我们测试了三种编码方法和三种日益复杂的读取层，包括Transformer解码器头，实现了SNN和ANN技术的混合方法。本方法将 LSMs 从传统分类任务扩展到细粒度时空分割。我们在来源于氢再电离阵列（HERA）的模拟数据上训练 LSMs，该阵列是 RFI 检测的已知基准。我们的模型在像素精度达到98%，F1分数达到0.743，展示了该高度具挑战性任务中的竞争性能。这一工作扩展了射电天文学中所采用的SNN技术和架构的复杂性，凸显了LSM在处理细粒度、复杂时空信号处理任务方面的有效性。