A deployed real-time end-to-end deep learning algorithm for fast radio burst detection
Notice bibliographique
Résumé
Context . Over the past decade, fast radio bursts (FRBs) have attracted substantial interest in the field of astrophysics due to their extremely energetic nature, drawing considerable speculation regarding the mechanisms that are behind these fast transient events. To further our understanding of FRBs, it is essential to develop fast and efficient analysis pipelines to recover more of these events in radio astronomy observations. Aims . We developed a fast end-to-end deep learning based FRB detection pipeline capable of handling ~100 Gb/s of real-time data throughput without applying dedispersion techniques. Methods . We introduced a modified masked ResNet-38 model designed for FRB detection tasks. Using synthetic injections, we demonstrated that our trained end-to-end model matches and surpasses current established pipelines (on injections) with a 7% gain in accuracy without the need for dedispersion or radio frequency interference masking. We deployed this model in a real-time setting at the Allen Telescope Array. Utilizing Nvidia Holoscan, a new GPU-accelerated sensor processing platform along with model optimizations, our pipeline successfully executed an end-to-end FRB detection on beam-formed spectrograms. Results . We report that our end-to-end pipeline achieves a latency of 150× faster than real-time production constraints compared to current state-of-the-art dedispersion + ML assisted FRB search pipelines at the Allen Telescope Array, which is three times slower than real-time constraints. We demonstrate the full functionality of our pipeline by successfully recovering giant pulses from PSR B0531+21 in a real-time setting as well as from FRB20240114 A in an offline setting. This study highlights the promise of future real-time deep-learning-accelerated radio astronomy.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».