用于射电望远镜智能标定的深度强化学习
天体物理仪器与方法
2021-05-26 v3 人工智能
机器学习
摘要
现代射电望远镜产生前所未有的海量数据,这些数据在交付科学结果前需经过众多处理流水线。这些流水线的超参数需要人工调节以产生最优结果。由于望远镜寿命期内会进行数千次观测,且每次观测都有其独特设置,流水线的精细调参是一项繁琐任务。为自动化数据标定流水线中的超参数选择过程,我们引入强化学习的使用。我们测试了两种强化学习技术,双延迟深度确定性策略梯度(TD3)与软演员-评论家(SAC),以训练一个自主智能体执行此精细调节。出于泛化考虑,我们将流水线视为黑箱系统,流水线性能的综合状态由自主智能体使用。以此方式训练的自主智能体能够为多样化观测确定最优设置,从而能够进行“智能”标定,最大限度减少人工干预。
引用
@article{arxiv.2102.03200,
title = {Deep reinforcement learning for smart calibration of radio telescopes},
author = {Sarod Yatawatta and Ian M. Avruch},
journal= {arXiv preprint arXiv:2102.03200},
year = {2021}
}
备注
MNRAS Accepted 2021 May 12. Received 2021 May 11; in original form 2021 February 5