Frabjous：深度学习在快速射电暴形态学研究中的应用

《Publications of the Astronomical Society of Australia》：Frabjous: Deep Learning Fast Radio Burst Morphologies

　　

摘要

此内容不支持核心分享和HTML查看功能。不过，由于您可以访问该内容，可以通过“保存为PDF”按钮获取完整的PDF文件。

射电望远镜观测范围的扩大以及数据处理能力的提升，使得快速射电暴（FRBs）的探测数量大幅增加。目前每天已能探测到几起FRBs，随着新观测项目的上线，这一数字预计还会迅速上升。由于多波段资源有限，需要对大量事件进行优先处理和快速自动化分类。在这项研究中，我们介绍了Frabjous——一个用于自动形态分类的深度学习框架，旨在实现对异常且引人注目的FRBs的及时跟进，并对其形态进行全面的统计分析。深度学习模型需要每种FRB类型的充足训练样本，但目前公开的数据中大多数FRB类型的样本数量不足。在本文中，我们构建了一个模拟框架来生成真实的FRBs样本，并基于CHIME/FRB目录中的模拟数据和真实数据训练了一个分类模型。将该框架应用于首个CHIME/FRB目录后，我们获得了约55%的整体分类准确率，远高于训练过程中随机多类分类的20%（假设类别数量为5个且平衡分布）。尽管这一结果尚未达到理想水平，但我们深入讨论了该方法的局限性，并提出了改进的途径。未来的工作应探索扩充训练数据集的策略，拓宽FRB形态学研究的范围，以获得更准确、更可靠的分类结果。

---