微波动力学电感探测器（MKID）谐振器识别与调谐的端到端深度学习流水线
天体物理仪器与方法
2021-04-06 v1 机器学习
摘要
我们展示了一种基于机器学习的流水线开发，用于全自动校准读取光学/红外微波动力学电感探测器（MKID）阵列的频率梳。该过程涉及确定阵列中每个像素（即谐振器）的谐振频率与最优驱动功率，这通常手动完成。现代光学/红外 MKID 阵列，如 DARKNESS（暗斑近红外能量分辨超导分光光度计）和 MEC（MKID 系外行星相机），包含 10–20,000 个像素，使校准过程极为耗时；每条 2000 像素馈线需 4–6 小时手动调谐。在此我们展示一种使用单一卷积神经网络（CNN）同时执行谐振器识别与调谐的流水线。我们发现该流水线性能等同于手动调谐过程，且每条馈线仅需十二分钟计算时间。
引用
@article{arxiv.2104.01282,
title = {End-to-end Deep Learning Pipeline for Microwave Kinetic Inductance Detector (MKID) Resonator Identification and Tuning},
author = {Neelay Fruitwala and Alex B Walter and John I Bailey and Rupert Dodkins and Benjamin A Mazin},
journal= {arXiv preprint arXiv:2104.01282},
year = {2021}
}
备注
28 pages, 13 figures