摘要
无线电频率干扰（Radio Frequency Interference, RFI）的检测与抑制对于充分发挥射电望远镜的科学潜力至关重要。随着机器学习方法在射电天文学中的兴起，其在RFI检测领域的应用也日益广泛。脉冲神经网络（Spiking Neural Networks, SNNs）受生物神经系统启发，特别适用于处理具有时空特性的数据。本研究首次探索性地将SNN应用于天文数据处理任务——RFI检测。我们通过直接将前人提出的近似潜在邻居（Nearest-Latent-Neighbours, NLN）算法与自编码器（auto-encoder）架构转换为SNN形式，实现了ANN到SNN的映射，从而能够通过采样内部脉冲神经元自然变化的潜在空间，简化后续的RFI检测流程。本研究进一步评估了SNN在未来的RFI检测方案中是否具备可行性。我们采用原始作者提供的模拟HERA望远镜数据集以及人工标注的LOFAR观测数据集进行检测性能评估，并额外引入了一个受MeerKAT望远镜启发的新仿真数据集，该数据集聚焦于卫星源引起的RFI，这类干扰正日益成为重要且具有挑战性的干扰类型，构成了本研究的另一项贡献。在HERA数据集上，我们的方法在AUROC、AUPRC和F1分数等指标上与现有方法保持相当的竞争力；但在LOFAR和Tabascal数据集上表现略显不足。值得注意的是，本方法在完全摒弃NLN中计算与内存密集型潜在空间采样步骤的同时，仍能维持较高的检测精度。本工作首次证明了SNN在基于机器学习的射电望远镜RFI检测中具有可行性，为传统RFI源及新兴的卫星源干扰检测建立了最小性能基准，是目前所知首篇将SNN应用于天文学领域的研究，为未来低功耗、高效能的RFI检测系统提供了极具潜力的新方向。