面向 SKA-SDC2 的 SoFiA-2 源查找 AI 代理
机器学习
2025-12-02 v1 星系天体物理
摘要
源提取是分析来自下一代大规模天空调查（如 Square Kilometre Array, SKA）射电数据中的关键环节。已开发了 SoFiA 和 Aegean 等多个源提取程序以应对这一挑战。然而，在将这些程序应用于实际观测时寻找最优参数配置并非易事。例如，SoFiA 的结果在其 preconditioning、source-finding 和 reliability-filtering 模块的多个关键参数之间高度依赖。为此，我们提出了一个基于最先进的强化学习（RL）算法——Soft Actor-Critic（SAC）的 AI 代理框架，用于自动优化这些参数。利用 SKA Science Data Challenge 2（SDC2）数据集评估了该框架的可行性和可靠性。AI 代理通过调整参数并根据 SDC2 评分（由 SDC2 团队定义）获取反馈来与环境交互，从而逐渐学习选择能提升性能的参数集合。在充分训练后，AI 代理能够在仅 100 次评估步骤内自动识别出优于 Team SoFiA 基准的优化参数配置，并且时间消耗更低。我们的ethods 可能解决类似需要复杂参数调优的问题，超越射电波段的调查和源提取领域。然而，高质量的训练集——包含代表性观测数据和真实 catalog——至关重要。
引用
@article{arxiv.2512.00769,
title = {AI Agent for Source Finding by SoFiA-2 for SKA-SDC2},
author = {Xingchen Zhou and Nan Li and Peng Jia and Yingfeng Liu and Furen Deng and Shuanghao Shu and Ying Li and Liang Cao and Huanyuan Shan and Ayodeji Ibitoye},
journal= {arXiv preprint arXiv:2512.00769},
year = {2025}
}
备注
20 pages, 10 figures, accepted by RAA