用于快速射电暴动态频谱的表示学习
高能天体物理现象
2025-02-19 v2
摘要
快速射电暴（FRBs）是源自河外的毫秒级射电暂现源，具有多样的时频模式和发射特性，需要加以解释。除一个可能的例外，FRBs 仅在射电波段被探测到，因此分析其动态频谱对于理清控制其产生和传播的物理过程至关重要。此外，比较 FRBs 的形态为洞察其前身星和环境之间的潜在差异提供了见解。本研究应用无监督学习和深度学习技术来研究 FRB 动态频谱，重点关注两种方法：主成分分析（PCA）和通过信息有序瓶颈（IOB）层增强的卷积自编码器（CAE）。PCA 作为计算高效的基线，能够捕捉总体趋势、识别异常值，并为大型数据集提供有价值的见解。然而，其线性特性限制了其重建复杂 FRB 结构的能力。相比之下，IOB 增强的 CAE 在捕捉复杂特征方面表现出色，在适中的信噪比下具有高重建精度和有效的去噪能力。IOB 层优先处理相关特征的能力实现了高效的数据压缩，以最少的潜变量保留了关键的形态特征。当应用于来自 CHIME 的真实 FRBs 时，IOB-CAE 有效地进行了泛化，揭示了一个凸显 FRB 形态连续性以及区分暴发类型之间内在差异潜力的潜空间。该框架表明，尽管 FRBs 可能不会自然聚类为离散的群体，但先进的表示学习技术可以揭示有意义的结构，为这些暴发的多样性和起源提供新见解。
引用
@article{arxiv.2412.12394,
title = {Representation learning for fast radio burst dynamic spectra},
author = {Dirk Kuiper and Gabriella Contardo and Daniela Huppenkothen and Jason W. T. Hessels},
journal= {arXiv preprint arXiv:2412.12394},
year = {2025}
}