スパikingニューラルネットワークを用いたRFI検出

無線周波数干渉（Radio Frequency Interference: RFI）の検出と低減は、電波望遠鏡の科学的成果を実現し、最大限に引き出す上で極めて重要である。近年、機械学習手法の登場により、電波天文学におけるRFI検出にもその応用が進んでいる。スパイキングニューラルネットワーク（Spiking Neural Networks: SNN）は、生物的神経系にインスパイアされた構造を持ち、時空間的データの処理に適している。本研究では、天文データ処理タスク、特にRFI検出に対して、SNNの初の探索的応用を提案する。前人の研究で提唱された最近傍潜在空間（Nearest-Latent-Neighbours: NLN）アルゴリズムおよびオートエンコーダ構造を、直接ANN→SNN変換によってSNN実行に適応させ、内部のスパイクニューロンから自然に変動する潜在空間をサンプリングすることで、後続のRFI検出を簡素化した。本研究の評価は、SNNが将来のRFI検出スキームにおいて実用可能かどうかを検証することを目的としている。評価は、元の研究者らが提供したシミュレートされたHERA望遠鏡データセットおよび手動ラベル付け済みのLOFAR観測データセットを用いて実施した。さらに、新しいMeerKATを模したシミュレーションデータセットを用いた評価も行った。このデータセットは衛星由来のRFIに焦点を当てており、増加する傾向にある重要なRFIタイプであり、本研究の新たな貢献である。HERAデータセットにおいては、従来手法と同等のAUROC、AUPRC、F1スコアを達成したが、LOFARおよびTabascalデータセットでは検出性能に課題を示した。一方で、NLN手法に見られる計算量およびメモリ使用量が大きな潜在空間サンプリングステップを完全に排除しつつも、高い精度を維持した。本研究は、従来のRFI源および新興の衛星由来RFI源に対して最小限の性能基準を確立し、機械学習に基づく電波望遠鏡用RFI検出におけるSNNの実用可能性を示した。本研究は、天文学分野におけるSNNの応用に関して、現時点で初めての試みである。