Polarisation-Inclusive Spiking Neural Networks for Real-Time RFI Detection in Modern Radio Telescopes

Resumen Técnico: Redes Neuronales de Picos con Inclusión de Polarización para la Detección de RFI en Tiempo Real

Planteamiento del Problema
La Interferencia de Radiofrecuencia (RFI) presenta un desafío creciente para la radioastronomía moderna, exacerbado por la creciente sensibilidad de los observatorios y la proliferación de fuentes de RFI orbitales. Las restricciones operativas actuales requieren un equilibrio entre la creciente demanda de procesamiento de datos y la necesidad de mitigación en tiempo real. Si bien las Redes Neuronales Artificiales (ANN) se han aplicado a esta tarea, estas dependen de valores continuos e instantáneos. En contraste, las Redes Neuronales de Picos (SNN) ofrecen una alternativa convincente para la detección en tiempo real debido a su naturaleza inherentemente variante en el tiempo y su potencial para una eficiencia energética extrema cuando se implementan en hardware neuromórfico. Sin embargo, codificar la información de manera efectiva para las SNN sigue siendo un desafío, y la utilidad específica de incluir datos de polarización dentro de este marco no ha sido explorada plenamente.

Metodología
Este trabajo investiga la integración de la información de polarización en la detección de RFI basada en SNN mediante un enfoque de segmentación de series temporales supervisado. El estudio utiliza datos simulados derivados del instrumento Hydrogen Epoch of Reionisation Array (HERA), conservando todos los canales de polarización (XX, XY, YX, YY).

• Codificación y Arquitectura: Los autores emplean la codificación por latencia, que previamente se ha demostrado eficaz para esta tarea. La red utiliza un modelo de neurona de tipo Leaky Integrate-and-Fire (LiF) de primer orden dentro de una arquitectura de alimentación hacia adelante multicapa. Se prueban dos estrategias principales para incorporar la polarización:
  1. Polarización Completa: Tratar los cuatro canales de polarización como canales de entrada separados.
  2. Grado de Polarización (DoP): Calcular una métrica de DoP como característica de entrada.
     Además, se aplica una técnica de preprocesamiento de normalización divisiva (DN), inspirada en la neurociencia, para evaluar su impacto en la discriminación de características.
• Restricciones de Hardware: Los modelos se entrenan utilizando el framework snnTorch y se evalúan frente a las restricciones del hardware neuromórfico SynSense Xylo (16 canales de entrada, 1000 neuronas internas, 16 canales de salida). Para acomodar estos límites, los espectrogramas completos se dividen en parches más pequeños (por ejemplo, 16×16 o 15×16) para el entrenamiento y la inferencia.
• Modelado de Potencia: El estudio proporciona tres estimaciones distintas del uso de energía para el despliegue en el hardware Xylo:
  1. Una estimación de límite inferior basada en la actividad de picos medida (FLOPs) de la red entrenada.
  2. Una estimación de límite superior basada en el consumo de potencia máxima del hardware Xylo (550µW).
  3. Una estimación equilibrada que combina el consumo de potencia en reposo medido (216µW) con la estimación de actividad de límite inferior.

Contribuciones Clave

• Integración de la Polarización: Este trabajo extiende la detección de RFI basada en SNN al incorporar explícitamente los datos de polarización, comparando las entradas de canales completos frente a las métricas de DoP.
• Entrenamiento Consciente del Hardware: El estudio demuestra la viabilidad de entrenar SNN dimensionadas específicamente para caber en hardware neuromórfico de borde (Xylo) sin una pérdida significativa de rendimiento.
• Benchmarking de Rendimiento: El artículo proporciona una comparación directa de la SNN propuesta contra métodos de detección de RFI de vanguardia, incluyendo herramientas operativas tradicionales (AOFlagger), Auto-Encoders y otras técnicas de SNN/ANN.
• Estimación de Energía: Ofrece un marco novedoso para estimar el consumo de potencia de las SNN en radioastronomía, yendo más allá de los FLOPs teóricos para incluir métricas de potencia activa e inactiva específicas del hardware.

Resultados

• Precisión de Detección: La configuración de "Latencia + Normalización Divisiva" utilizando la polarización completa en parches de 16 canales logró el mayor rendimiento, con una precisión de 0.997, un AUROC de 0.977 y un F1-Score de 0.955.
• Comparación con el Estado del Arte: El modelo propuesto superó a métodos anteriores, incluyendo AOFlagger, Auto-Encoders y técnicas de conversión de ANN a SNN, logrando resultados de vanguardia en el conjunto de datos de referencia.
• Impacto de las Restricciones: Truncar los modelos para ajustarlos al hardware Xylo resultó en solo una degradación menor del rendimiento. Notablemente, el modelo "Latency-Xylo + DN" con polarización completa mantuvo un F1-Score de 0.936, muy cercano al mejor modelo de alto rendimiento sin restricciones.
• Efectos de la Normalización Divisiva: Mientras que la DN mejoró la precisión para las entradas de polarización completa, paradójicamente redujo el rendimiento cuando se aplicó a las entradas de DoP, lo que sugiere que el proceso de normalización amplifica las características relevantes en un contexto mientras suprime variaciones de señal útiles en el otro.
• Eficiencia Energética: Las estimaciones de potencia indican que el enfoque neuromórfico requiere solo decenas de milivatios por espectrograma. Incluso bajo las estimaciones de límite superior, el consumo de potencia es órdenes de magnitud inferior al de los sistemas basados en pequeñas GPU (por ejemplo, Nvidia Jetson Nano, ~5W).

Significancia y Reivindicaciones
Los autores afirman que este trabajo demuestra, por primera vez, que una Red Neuronal de Picos entrenada directamente puede lograr un rendimiento de vanguardia en la detección de RFI, superando tanto a los métodos operativos tradicionales como a los enfoques basados en ANN. El estudio argumenta que las SNN ofrecen una alternativa de alto rendimiento y viable para la radioastronomía, particularmente en escenarios donde la baja latencia y la eficiencia energética son críticas.

El artículo enfatiza que las posibles mejoras de energía no son meramente incrementales, sino que representan ganancias de órdenes de magnitud. Dada la vida útil de décadas de los observatorios de radio, los autores postulan que tal eficiencia podría conducir a reducciones sustanciales en los costos operativos y el consumo de energía. En consecuencia, concluyen que la computación neuromórfica merece una consideración seria para el procesamiento de señales científicas de alto rendimiento en entornos con restricciones de potencia. Se identifica como trabajo futuro el enfoque en arquitecturas más sofisticadas y la validación en hardware neuromórfico real.