A convolutional neural network to search CHIME/pulsar data for repeating fast radio bursts
Notice bibliographique
Résumé
Depuis le commencement des opérations durant la phase de pré-démarrageen juillet 2018, le projet portant sur les sursauts radio rapides (FRBs, del’anglais fast radio bursts) de l’Expérience canadienne de cartographie del’intensité de l’hydrogène (CHIME/FRB, pour Canadian Hydrogen IntensityMapping Experiment Fast Radio Burst Project) a découvert plus de 500 sur-sauts [9]. Les FRBs sont de puissants flashs de lumière radio, provenant desources lointaines à l’extérieur de la Voie Lactée, et sont principalement car-actérisés par leur courte durée de quelques millisecondes, leur luminositéélevée, et leur mesure de dispersion extragalactique. Bien que, dans la ma-jorité des cas, un seul sursaut ponctuel ait été observé par progéniteur, cer-taines sources émettent des FRBs de façon répétitive. Ceci donne lieu à desthéories proposant deux populations distinctes de progéniteurs de FRBs.Ne comportant aucune pièce mobile, CHIME est un instrument complètementstationnaire et ne peut donc pas être orienté mécaniquement pour suivreun objet astronomique se déplaçant dans le champ focal du télescope. Poursurmonter cette limitation, l’équipe du projet CHIME/Pulsar a développéune solution consistant à former digitalement 10 faisceaux auxiliaires depointage contenus à l’intérieur du faisceau lumineux principal, permettantainsi le suivi de sources durant la courte période où celles-ci se trouventdans le faisceau primaire. Dans ce mémoire, je présente le développementet les résultats d’un réseau neuronal convolutif (CNN, de l’anglais convo-lutional neural network) conçu pour analyser et identifier des FRBs répétitifsdans un large ensemble de données collectées par le système CHIME/Pulsar.Suite à l’introduction des FRBs et des systèmes CHIME/FRB et CHIME/Pulsar,je présente dans ce mémoire les notions de base relatives aux réseaux neu-ronaux, l’architecture et la formation de mon CNN, et finalement, les résultatsde l’analyse des données. Je décris également les mise à niveau effectuéessur un algorithme d’ordonnancement pour CHIME/Pulsar. Puisque celui-ci ne peut qu’observer et suivre 10 positions à la fois et qu’il y a très sou-vent plus de 10 sources d’intérêts dans le faisceau principal, un algorithmed’ordonnancement a dû être conçu pour CHIME/pulsar. Toutefois, cet al-gorithme nécessitait d’importantes améliorations. Dans ce mémoire, j’expliqueles raisons justifiant les mises à niveau ainsi que les techniques utiliséespour développer, tester et implémenter ces mises à niveau de l’algorithme
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) | 0,001 | 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 | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».