面向快速脉冲星暴搜索的机器学习方法 —— I. 多束数据实现
天体物理仪器与方法
2025-12-23 v1 高能天体物理现象
摘要
广义射电望远镜搜索短暂的射电瞬态现象，如快速脉冲星暴（FRB），已成为数据密集型科学中的常见挑战。传统算法通常需要巨大的计算时间通过寻找正确的位移测度（dispersion measures）来寻找候选信号，此过程称为去位移（dedispersion）。本文提出了一种无需去位移即可从原始数据中识别 FRB 信号的新方案，利用机器学习（ML）。在多束接收机的数据环境下，我们训练 EfficientNet 模型，实现了 FRB 识别中准确率和精确率均超过 92%。我们发现，相较于 TransientX 和 presto 等传统软件，无需去位移的搜索效率显著提升。具体地，研究了单束和多束数据对射电频率干扰（RFI）的影响，我们发现机器学习在多束环境下能够自然缓解 RFI。最后，我们在当前 FRB 调查由五百米口径球形射电望远镜（Five-hundred-meter Aperture Spherical radio Telescope）实际数据上对训练好的模型进行了验证，为未来在实际中实现提供了相当大的潜力。
引用
@article{arxiv.2512.19249,
title = {Towards DM-free search for Fast Radio Bursts with Machine Learning -- I. An implementation on multibeam data},
author = {Yao Chen and Rui Luo and Chen Wang and Yong-Kun Zhang and Shiqian Zhao and Chengbing Lyu and ZePeng Zheng and Hai Lei and DeJiang Zhou and Chenhui Niu and JinLin Han and George Hobbs and Di Li and Chengwei Liang and Siyi Tan and Ting Tian},
journal= {arXiv preprint arXiv:2512.19249},
year = {2025}
}
备注
AAS journal submitted. Comments welcome