Una xarxa neural artificial per analitzar FRB 121102: Breakthrough Listen i l’origen dels esclats radioastronòmics ràpids

Radioastronomia: La recerca en intel·ligència estraterrestre ha fet dels radioesclats ràpids (FRB en l’acrònim anglès) un subjecte d’especial interès. El primer FRB fou descobert per Duncan Lorimer & David Narkevic fa més d’una dècada. L’únic FRB recurrent conegut és FRB 121102, i aquesta recurrència el fa encara més interessant. Hom calcula que FRB 121102 es troba en una galàxia situada a 3000 milions d’anys-llum. La iniciativa “Breakthrough Listen” per cercar signes de vida intel·ligent en l’univers estudia FRB 121102 a través de xarxes neurals artificials amb capacitat d’aprenentatge. L’Astronomical Journal ha acceptat un article d’investigadors de Breakthrough Listen en el qual reporten 72 esclats prèviament no-identificats de FRB 121102 amb l’ús d’aquesta estratègia d’aprenentatge mecànic.

Zhang et al. han administrat dades de FRB 121102 procedents del radiotelescopi de Green Bank (West Virginia) a una xarxa neural artificial, que hi ha identificat 72 episodis de fortes emissions de radioones. Les dades corresponen a observacions radioastronòmiques del 26 d’agost del 2017. En aquestes dades, hom ja havia detectat 21 esclats amb l’ús d’un algoritme de dedispersió. Zhang et al. mostren com el seu mètode de detecció amb xarxa neural i verificació per dedispersió és més efectiu que l’algoritme de dedispersió en termes de sensibilitat, de reducció de falsos positius i de velocitat de computació. Comptat i debatut, hom disposa ara de 93 polsos de FRB 121102 en les 5 hores d’observació del 26 d’agost del 2017. La majoria d’aquests polsos (45 de 93) es concentren en els primers 30 minuts. Zhang et al. observen tendències en la fluència de pols, en la taxa de detecció i en l’estructura de freqüència, però no han aconseguit observar cap periodicitat, i de fet la descarten per a períodes superiors a 10 ms.

Breakthrough Listen i FRB 121102

Yunfan Gerry Zhang estudia al Department of Astronomy de la University of California Berkeley, i fa part del Berkeley SETI Research Center, adscrit a aquesta universitat.

Vishal Gajjar és investigador post-doctoral al Berkeley SETI Research Center i al Space Sciences Laboratory de la mateixa universitat. Va fer la tesi doctoral (2015) sobre física d’emissions de pulsars.

Griffin Foster és investigador post-doctoral al Sub-Department of Astrophysics de la Oxford University, i també col·labora amb el Berkeley SETI Research Center i amb Department of Astronomy de Berkeley.

Andrew Siemion és el director del Berkeley SETI Research Center, i cap de la Breakthrough Listen Initiative. És investigador al Departament of Astronomy de Berkeley. És membre també del SETI Institute (amb seu a Mountain View, California). També té lligams amb la Universitat Radboud de Nijmegen, i amb l’Institute of Space Sciences and Astronomy de la Universitat de Malta.

James M. Cordes és professor d’astronomia a la Cornell University.

Casey J. Law és membre de Department of Astronomy de Berkeley.

Yu Wang fa la tesi doctoral al Department of Statistics de la University of California Berkeley. Treballa en estatística aplicada a l’aprenentatge mecànic.

Els FRBs són emissions transitòries de radioones amb una durada de l’ordre de milisegons. Les relacions de dispersió són compatibles amb una propagació a través de plasma fred, i això fa pensar que tenen un origen extragalàctic. De tots els FRBs detectats, tan sols un, FRB 121102 ha mostrat recurrència. Gràcies a aquesta recurrència hom ha pogut localitzar-ho: es trobaria en una galàxia nana amb un desplaçament al vermell de 0,193, corresponent a una distància de 3000 milions d’anys-llum.

De FRB 121102 hom disposa d’observacions del William E. Gordon Telescope (de l’Observatori d’Arecibo) i del Green Bank Telescope (a Virgínia Occidental). Amb elles, hom ha calculat per a la font emissora una rotació alta i variable, situada entre 1,33-1,45·105 rad·m-2, de la qual cosa es dedueix un ambient magneto-iònic elevat.

Les dades del Green Bank Telescope es captaren el 26 d’agost del 2017 a través del receptor de banda-C d’aquest radiotelescopi. Amb l’ús d’algoritmes convencionals, la iniciativa Breakthrough Listen detectà 21 polsos de FRB 121102 corresponents a un període de 5 hores. Ara, amb l’ús de xarxes neurals convolucionals, aquest nombre de polsos s’ha multiplicat.

Les xarxes neurals convolucionals tenen aplicacions en l’aprenentatge profund, com ara en la classificació de senyals, en el reconeixement de patrons, etc. Els investigadors ofereixen a les xarxes neurals dades crues, en aquest cas espectrogrames, i l’aprenentatge profund els permet assolir una major sensibilitat i especificitat, si bé no són capaces d’interpretar les prediccions que elles mateixes fan. Hom pot fornir aquesta interpretabilitat combinant-les amb els algoritmes de dedispersió, és a dir en fer que aquestes cerces de dedispersió verifiquin les identificacions realitzades prèviament per la xarxa neural.

Aquest sistema ha permès a Zhang et al. identificar més de 70 polsos que els havien passat desapercebuts en la primera anàlisi. A la vegada, aquesta tècnica és molt ràpida, capaç de funcionar a 70 vegades el temps real.

Amb aquests 90 polsos registrats en 5 hores, Zhang et al. estudien paràmetres de fluència, de temps d’arribada i d’estructura de freqüència. Però, com recerques anteriors, no hi han trobat signes de periodicitat. De fet, Zhang et al. consideren que, amb 99% de confiança, hom pot descartar tota periodicitat superior a 10 ms en els temps d’arribada.

FRB 121102 en el marc de la Breakthrough Listen Initiative

La iniciativa Breakthrough Listen (BL) fa ús d’observacions telescòpiques de radioones i de llum visible. La majoria dels objectes estudiats són estels propers, però també el pla galàctic de la Via Làctia i galàxies properes. El programa, però, també inclou objectes més exòtics, com ara fonts astronòmiques anòmales per a les quals no hi ha encara una explicació naturalística satisfactòria. En aquesta categoria, BL inclogué els FRBs.

Així doncs, el 26 d’agost del 2017, BL reservà una sessió de 6 hores d’observació amb el receptor de banda-C (4-8 GHz) del Green Bank Telescope. En total s’obtingueren 10 registres de 30 minuts cadascun de FRB 121102. Les dades tenen una resolució temporal de 0,35 ms i una resolució de freqüència de 365 kHz.

Inicialment, sobre aquestes dades, aplicaren algoritmes de dedispersió (HEIMDALL, FDMT, Bonsai, Amber, CDMT) per detectar-hi senyals. En total, hi detectaren 21, però sospitaren que alguns polsos haurien estat descartats indegudament.

Per això optaren per aplicar una tècnica d’aprenentatge mecànic, concretament d’aprenentage supervisat. Aquesta tècnica ensinistra un model a prendre decisions en un sistema etiquetat. Així, la xarxa neural convolucional rep unes entrades, que passen a través de múltiples capes, on es realitzen operacions convolucionals i no-linials. La capa final ofereix com a resultat una probabilitat de decisió. L’ensinistrament consisteix en modificacions del paràmetres dels nuclis convolucionals per fer coincidir les probabilitats calculades per la xarxa amb les esperades.

Zhang et al. submnistren a la xarxa neutral espectrogrames bidimensionals: amb un eix temporal (amb una resolució de 0,350 ms) i un eix de freqüència (de 4 GHz a 8 GHz, amb una resolució de 366 kHz). Els espectrogrames són dividits en 256 mostres temporalment consecutives.

El marc etiquetat d’entrenament consisteix en dues classes de mostres:
– mostres positives, és a dir que contenen, si més no, un pols FRB.
– mostres negatives, és a dir que només contenen soroll o interferències.

El conjunt d’ensinistrament consistí en 400.000 imatges d’espectrogrames, corresponents a 5 hores d’observació sense cap FRB conegut. Les primeres 4,5 hores es destinen a l’ensinistrament de la xarxa, i la darrera mitja hora a un test independent.

La xarxa neural consisteix en cinc capes convolucionals (conv0, conv1, conv2, conv3, conv4), damunt de la qual hi ha una capa d’obtenció de mitjanes (avg-pool) i una de plena connexió (fc). Les capes convolucionals es defineixen per l’altura i amplada dels pesos, i pel nombre de blocs en cada capa.

L’ensinistrament del model TensorFlow en una Nvidia Titan Xp GPU durà 20 hores.

Un retrat de FRB 121102

L’estructura de cada pols es defineix en termes de freqüència i de temps. Hi ha pols amb una única subestructura (p. ex. el pols 2) i d’altres amb diverses subestructures (3 en el cas del pols 1). Alguns dels polsos podrien consistir en subimatges d’un pols anterior. De vegades, resulta difícil distingir 1 pols independent d’un pols múltiples, especialment quan es tracten d’agregats que se succeeixen en uns pocs milisegons.

La conclusió més rellevant de Zhang et al. és la detecció de periodicitat en els polsos per a intervals superiors a 10 ms. Però potser l’aportació més valuosa consisteix en l’aplicació d’un sistema d’intel·ligència artificial en el tractament de dades radioastronòmiques.

Lligams:

Fast Radio Burst 121102 Pulse Detection and Periodicity: A Machine Learning Approach. Yunfan Gerry Zhang, Vishal Gajjar, Griffin Foster, Andrew Siemion, James Cordes, Casey Law, Yu Wang. Astrophysical Journal (2018).

Machine Learning Enables New Detections of FRB 121102, comunicat de premsa de Breakthrough Listen.

Artificial Intelligence Helps Find New Fast Radio Bursts, comunicat de premsa de SETI Institute.

Aquesta entrada ha esta publicada en 1. L'Univers. Afegeix a les adreces d'interès l'enllaç permanent.

Deixa un comentari

L'adreça electrònica no es publicarà. Els camps necessaris estan marcats amb *

Aquest lloc utilitza Akismet per reduir el correu brossa. Aprendre com la informació del vostre comentari és processada