基于深度学习的FRB实时搜寻技术研究

Fast radio bursts (FRB) are one of the most exciting topics in modern astrophysics. However, due to its short burst time and almost no repetition (exception of FRB121102 and FRB180814), it is difficult to be detected and captured. A rapid increase in the FRB detection rate is expected in the next few years as more single telescopes and new wide-field interferometric array telescopes begin searching for FRBs. The bottleneck of FRB real-time search technology for high data rates and massive observation data is emerging.At present, the screening of a large number of false positive events generated by the FRB single-pulse detection pipeline algorithm based on the dedispersion theory is unsustainable. Therefore, this project proposes to apply the deep learning classifier directly to the raw observation data stream ,and realizes the high-precision and high-rate real-time transient detection of FRB events. Compared with the traditional dedispersion algorithm, this method has greater advantages in the accuracy and data processing speed when generating the FRB candidates, which can greatly reduce the workload of manually reviewing RFB candidates, and can further provide time and precision assurance for the real-time original voltage data selective dumping and real-time email notifications, and sequentially contribute to the progress of FRB research.

快速射电暴（FRB）已然成为现代天体物理学最令人兴奋的主题之一。然而，由于其爆发时间短、几乎不重复的特性，使其难以探测和捕捉。随着越来越多的单天线望远镜和新的宽视场干涉望远镜投入到FRB的搜寻观测中，预计未来几年,FRB的探测率将迅速提高。随之而来的针对高数据速率和海量观测数据的FRB实时搜寻技术瓶颈显现出来。目前基于消色散理论的FRB单脉冲管道检测算法产生的大量假阳性事件的筛选工作，人工审查模式已难以为继。因此，本项目提出将深度学习分类器直接应用到原始观测数据流中，实现高精度、高速率FRB事件的实时瞬态信号检测的思路。该方法相较于传统的消色散搜索方法，在产出FRB候选体的精度和数据处理速度上都更具优势，能够大大降低人工审查RFB候选体的工作量，还能够进一步为实现实时原始电压数据选择性转储和实时发出邮件通知提供时间和精度上的保证，从而进一步助力FRB研究工作的进展。

快速射电暴（Fast Radio Burst，FRB）是一种持续时间仅为数毫秒的爆发性、高度色散的脉冲式射电辐射天文现象，是当前研究最多的天体物理瞬变现象之一，不过到目前为止，它们的起源和辐射机制仍然未知。由于FRB罕见爆发且鲜少周期性重复的特点，搜寻FRB生成的天文观测数据将是高度冗余的。因此，如何高精度、高效率的在海量观测数据中搜寻FRB成为目前需要解决的关键难题之一。基于此，本项目基于深度学习方法建立了基于深度学习的FRB事件搜寻管线。本项目通过模拟仿真的方式建立了FRB样本库，搭建和训练了深度学习模型，完成了整个FRB搜寻管线的开发。我们将PSR J1935+1616的观测数据输入到搜寻管线中进行单脉冲搜寻测试，精确率达到了99.62%。我们将搜寻管线应用于南山26米射电望远镜FRB天文观测搜寻数据中进行FRB事件搜寻，成功搜寻到了来自FRB 20201124A，FRB 20220912A以及SGR 1935+2154的射电暴。应用结果证明，借助深度学习的方法，可以成功解决目前人类在海量观测数据中筛选FRB事件难以为继的局面，为天文观测数据快速处理提供新的思路。