A convolutional neural network to search CHIME/pulsar data for repeating fast radio bursts
Bibliographic record
Abstract
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
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".