基于闭合量与机器学习的射电暂现源探测

对于时标为 1–100 秒的暂现源，由于大型现代干涉仪在此观测时间范围内产生极大数据量，对每一步观测都进行标准化成像已不可能。本文提出一种基于机器学习、以干涉闭合量作为输入特征的方法，直接从空间频率域无需成像即可探测暂现源候选体。我们在由噪声/暂现源/射频干扰（RFI）事件构成的合成数据集上训练一个简单的神经网络分类器，该数据集用于应对标注数据缺乏的问题。我们还利用模型的超参数丢弃率（dropout rate）使模型近似贝叶斯推断，并选取最优丢弃率使后验预测匹配所探测事件的实际潜在概率分布。该分类器在模拟数据集上的整体 F1 分数大于 85%，信噪比为 7$\sigma$。训练好的带蒙特卡洛丢弃率的神经网络在半真实数据（含模拟暂现源与真实噪声）上进行了评估。该分类器在可探测信噪比水平（高于 4$\sigma$）下以最优方差准确识别暂现信号的存在。我们的结果表明，即便缺乏用于训练的标注真实样本，仅用模拟数据亦可构建可行的射电暂现源分类器并应用于真实观测预测。