基于深度学习的干涉射电瞬变源重建反卷积

随着为即将到来的平方公里阵列（SKA）做准备的新一代大型地基射电望远镜陆续投入使用，射电天文学正蓬勃发展。LOFAR、MeerKAT/SKA、ASKAP/SKA以及未来的SKA-LOW等设施带来了时间与频率上的巨大灵敏度、更高的角分辨率，以及需要处理的高速率数据流。它们使得对天然易变、可能在数据中被探测到或错过的射电瞬变源的深入研究成为可能。这些瞬变源是高能电子加速的标志，并呈现于广泛的时间尺度上。通常利用时间序列分析的动态频谱进行研究，这促使人们在大型干涉数据集中搜寻此类源。这需要高效且鲁棒的信号重建算法。为正确考虑数据的时间依赖性，我们通过在重建问题中加入时间依赖性来改进经典的图像反卷积逆问题。随后，我们引入两种新颖的神经网络架构，可同时对数据及仪器响应的空间与时间进行建模。接着，我们模拟具有代表性的点源分布时间相关图像立方体以及MeerKAT的真实望远镜指向，以生成玩具模型来构建训练、验证和测试数据集。最后，基于测试数据，我们评估了所提方法与逐帧应用的经典图像反卷积算法CLEAN的源轮廓重建性能。在数据帧噪声水平递增的情况下，所提方法相比逐帧CLEAN成像表现出更高的鲁棒性。反卷积所得图像立方体使恢复的时间轮廓保真度提升3倍，背景去噪提升2倍。