用于快速射电暴色散量估计的机器学习方法

《Astronomy and Computing》：Machine-learning approaches to dispersion measure estimation for fast radio bursts

　　

Hosein Rajabi|Zhejian Liu|Fereshteh Rajabi|Martin Houde

摘要

快速射电暴是一种亮度极高、持续时间多为毫秒级的河外天体现象，其发射机制至今仍不为人所知。当快速射电暴信号在电离介质中传播时，会经历与频率相关的延迟，这一延迟可通过色散量来衡量，而色散量是推断源距离和局部等离子体状态的关键参数。因此，准确估计色散量对于了解快速射电暴的起源及验证相关物理模型至关重要。不过，目前的去色散方法往往计算成本较高，且容易受到人为因素的影响。在这项概念验证研究中，我们开发了三种深度学习架构，并对它们进行了性能对比：传统的卷积神经网络、经过微调的ResNet-50，以及混合型的CNN–LSTM模型，用于自动估算色散量。所有模型都在基于CHIME/FRB类似参数生成的大量合成快速射电暴动态谱数据上进行了训练和验证。在所研究的色散量范围内，混合型CNN–LSTM模型在保持较低计算成本的同时，实现了最高的准确度和稳定性。尽管这些模型是在模拟数据上训练的，但它们可以通过实际观测数据进一步微调，并可应用于未来的观测设备，为在大型快速射电暴巡天项目中实现实时、数据驱动的色散量估算奠定基础。