The Atacama Cosmology Telescope: Machine-learning-driven Tools for Detecting Millimeter Sources in Timestream Preprocessing
Notice bibliographique
Résumé
Abstract We present a new pipeline utilizing machine learning for classifying short-duration features in raw time-ordered data (TOD) of cosmic microwave background survey observations. The pipeline, specifically designed for the Atacama Cosmology Telescope, works in conjunction with the previous TOD preprocessing techniques that employ statistical thresholding to indiscriminately remove all large spikes in the data, whether they are due to noise features, cosmic rays, or true astrophysical sources, in a process called “data cuts.” This has the undesirable effect of excising real astrophysical sources, including transients, from the data. The classification pipeline demonstrated in this work uses the output from these data cuts and is able to differentiate between electronic noise, cosmic rays, and point sources, enabling the removal of undesired signals while retaining true astrophysical signals during TOD preprocessing. We achieve an overall accuracy of 90% in categorizing data spikes of different origin and, importantly, 94% for identifying those caused by astrophysical sources. Our pipeline also measures the amplitude of any detected source seen more than once and produces a subminute-to-minute light curve, providing information on its short-timescale variability. This automated pipeline for source detection and amplitude estimation will be particularly useful for upcoming surveys with large data volumes, such as the Simons Observatory.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».