ROAD 通向发现：射电天文频谱图中的机器学习驱动异常检测
天体物理仪器与方法
2023-12-13 v1 人工智能
摘要
随着射电望远镜在灵敏度和灵活性上的提升，其复杂性和数据率也随之增加。因此，自动化系统健康管理方法对于确保望远镜正常运行变得愈发关键。我们提出了一种新的机器学习异常检测框架，用于对射电望远镜中常见异常进行分类，并检测系统可能尚未见过的未知罕见异常。为评估我们的方法，我们提供了一个包含 7050 张基于自相关的频谱图的数据集，来自低频阵列（LOFAR）望远镜，并标注了 10 种与望远镜操作员视角的系统级异常相关的标签。这包括电子故障、校准错误、太阳风暴、网络和计算硬件错误等。我们展示了一种新颖的自监督学习（SSL）范式如何有效学习 LOFAR 望远镜的正常行为，该范式同时利用上下文预测和重建损失。我们提出了射电天文台异常检测器（ROAD），一个结合基于 SSL 的异常检测和监督分类的框架，从而能够对常见异常进行分类并检测未见异常。我们证明我们的系统在 LOFAR 数据处理流水线中是实时的，处理单张频谱图所需时间 <1ms。此外，ROAD 取得了 0.92 的异常检测 F-2 分数，同时保持约 2% 的误报率，以及平均各类分类 F-2 分数 0.89，优于其他相关的工作。
引用
@article{arxiv.2307.01054,
title = {The ROAD to discovery: machine learning-driven anomaly detection in radio astronomy spectrograms},
author = {Michael Mesarcik and Albert-Jan Boonstra and Marco Iacobelli and Elena Ranguelova and Cees de Laat and Rob van Nieuwpoort},
journal= {arXiv preprint arXiv:2307.01054},
year = {2023}
}