用于快速射电暴色散量估计的机器学习方法
高能天体物理现象
2026-01-21 v2
摘要
快速射电暴（FRB）是明亮的、大多为毫秒持续时间的河外起源瞬变源，其辐射机制仍然未知。当 FRB 信号穿过电离介质传播时，会经历由色散量（DM）量化的频率相关延迟，DM 是推断源距离和局域等离子体条件的关键参数。因此，准确的 DM 估计对于表征 FRB 源和检验物理模型至关重要，然而当前的去色散方法可能计算量大且容易受到人为偏差的影响。在这项概念验证研究中，我们开发并基准测试了三种深度学习架构：一个传统卷积神经网络（CNN）、一个微调的 ResNet-50 和一个混合 CNN-LSTM 模型，用于自动化的 DM 估计。所有模型均在使用 CHIME/FRB 类似规范生成的大量合成 FRB 动态谱上进行训练和验证。混合 CNN-LSTM 在所研究的 DM 范围内实现了最高的准确性和稳定性，同时保持了较低的计算成本。尽管在模拟数据上训练，这些模型可以在真实的 CHIME/FRB 观测上进行微调，并扩展到未来的设施，为大型 FRB 巡天中的实时、数据驱动的 DM 估计提供了可扩展的途径。
引用
@article{arxiv.2512.24003,
title = {Machine-learning approaches to dispersion measure estimation for fast radio bursts},
author = {Hosein Rajabi and Zhejian Liu and Fereshteh Rajabi and Martin Houde},
journal= {arXiv preprint arXiv:2512.24003},
year = {2026}
}
备注
13 pages, 6 figures, and 8 tables