Frabjous: Deep Learning Fast Radio Burst Morphologies
Notice bibliographique
Résumé
The increasing field of view of radio telescopes and improved data processing capabilities have led to a surge in the detection of Fast Radio Bursts (FRBs). The discovery rate of FRBs is already a few per day and is expected to increase rapidly with new surveys coming online. The growing number of events necessitates prioritized follow-up due to limited multi-wavelength resources, requiring rapid and automated classification. In this study, we introduce Frabjous, a deep learning framework for an automated morphology classifier with an aim towards enabling the prompt follow-up of anomalous and intriguing FRBs, and a comprehensive statistical analysis of FRB morphologies. Deep learning models require a large training set of each FRB archetype, however, publicly available data lacks sufficient samples for most FRB types. In this paper, we build a simulation framework for generating realistic examples of FRBs and train a network based on a combination of simulated and real data, starting with the CHIME/FRB catalog. Applying our framework to the first CHIME/FRB catalog, we achieve an overall classification accuracy of approximately 55%, well over a random multiclass classification rate of 20 % with five balanced classes during training. While this falls short of desirable performance, we critically discuss the limitations of our approach and propose potential avenues for improvement. Future work should explore strategies to augment training datasets and broaden the scope of FRB morphological studies, aiming for more accurate and reliable classification results.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».