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

Technische Samenvatting: Polarisatie-inclusieve Spiking Neural Networks voor Real-Time RFI-detectie

Probleemstelling
Radiofrequentie-interferentie (RFI) vormt een escalerende uitdaging voor de moderne radioastronomie, verergerd door de toenemende gevoeligheid van observatoria en de proliferatie van orbitale RFI-bronnen. Huidige operationele beperkingen vereisen een balans tussen de stijgende eisen aan gegevensverwerking en de noodzaak voor real-time mitigatie. Hoewel Artificial Neural Networks (ANN's) zijn toegepast voor deze taak, vertrouwen zij op continue, instantane waarden. In tegenstelling hiertoe bieden Spiking Neural Networks (SNN's) een overtuigend alternatief voor real-time detectie vanwege hun inherente tijdvariante aard en potentieel voor extreme energie-efficiëntie wanneer ze worden ingezet op neuromorfische hardware. Het effectief coderen van informatie voor SNN's blijft echter een uitdaging, en het specifieke nut van het opnemen van polarisatiegegevens binnen dit kader is nog niet volledig verkend.

Methodologie
Dit werk onderzoekt de integratie van polarisatie-informatie in SNN-gebaseerde RFI-detectie met behulp van een gesuperviseerde tijdreekssegmentatie-aanpak. De studie maakt gebruik van gesimuleerde gegevens afgeleid van de Hydrogen Epoch of Reionisation Array (HERA) instrument, waarbij alle polarisatiekanalen (XX, XY, YX, YY) behouden blijven.

• Codering en Architectuur: De auteurs maken gebruik van latency-codering, die eerder effectief is gebleken voor deze taak. Het netwerk maakt gebruik van een first-order Leaky Integrate-and-Fire (LiF) neuronmodel binnen een multi-layer feed-forward architectuur. Twee primaire strategieën voor het integreren van polarisatie worden getest:
  1. Volledige Polarisatie: Het behandelen van alle vier de polarisatiekanalen als afzonderlijke invoerkanalen.
  2. Graad van Polarisatie (DoP): Het berekenen van een DoP-metriek als de invoerkenmerk (feature).
     Daarnaast wordt een divisive normalisatie (DN) pre-processing techniek, geïnspireerd door de neurowetenschap, toegepast om de impact ervan op de discriminatie van kenmerken te evalueren.
• Hardwarebeperkingen: Modellen worden getraind met het snnTorch framework en geëvalueerd tegen de beperkingen van de SynSense Xylo neuromorfische hardware (16 invoerkanalen, 1000 interne neuronen, 16 uitvoerkanalen). Om deze limieten te accommoderen, worden volledige spectrogrammen verdeeld in kleinere patches (bijv. 16×16 of 15×16) voor training en inferentie.
• Vermogensmodellering: De studie biedt drie verschillende schattingen van het energieverbruik bij implementatie op Xylo-hardware:
  1. Een ondergrens-schatting gebaseerd op de gemeten spiking-activiteit (FLOPs) van het getrainde netwerk.
  2. Een bovengrens-schatting gebaseerd op de maximale stroomopname van de Xylo-hardware (550µW).
  3. Een gebalanceerde schatting die de gemeten ruststroom (idle power) van 216µW combineert met de ondergrens-activiteitsschatting.

Belangrijkste Bijdragen

• Polarisatie-integratie: Dit werk breidt SNN-gebaseerde RFI-detectie uit door expliciet polarisatiegegevens op te nemen, waarbij volledige kanaal-inputs worden vergeleken met DoP-metrieken.
• Hardware-bewuste Training: De studie demonstreert de haalbaarheid van het trainen van specifiek geschaalde SNN's om op edge neuromorfische hardware (Xylo) te passen zonder significant verlies in prestaties.
• Prestatiebenchmarking: Het artikel biedt een directe vergelijking van het voorgestelde SNN met state-of-the-art RFI-detectiemethoden, inclus van traditionele operationele tools (AOFlagger), Auto-Encoders en andere SNN/ANN-benaderingen.
• Energie-inschatting: Het biedt een nieuw kader voor het inschatten van het stroomverbruik van SNN's in de radioastronomie, waarbij verder wordt gekeken dan theoretische FLOPs door middel van hardware-specifieke idle en actieve vermogensmetingen.

Resultaten

• Detectienauwkeurigheid: De "Latency + Divisive Normalisation" configuratie met volledige polarisatiegegevens op 16-kanaals patches behaalde de hoogste prestaties, met een nauwkeurigheid van 0,997, een AUROC van 0,977 en een F1-score van 0,95.
• Vergelijking met State-of-the-Art: Het voorgestelde model presteerde beter dan eerdere methoden, inclusief AOFlagger, Auto-Encoders en ANN-naar-SNN conversietechnieken, en behaalde state-of-the-art resultaten op de benchmarkdataset.
• Impact van Beperkingen: Het inkorten van modellen om in de Xylo-hardware te passen, resulteerde slechts in een minimale degradatie van de prestaties. Opvallend genoeg behield het "Latency-Xylo + DN" model met volledige polarisatie een F1-score van 0,936, wat zeer dicht bij de best presterende niet-beperkte modellen ligt.
• Effecten van Divisive Normalisation: Hoewel DN de nauwkeurigheid verbeterde voor volledige polarisatie-inputs, verminderde het paradoxaal genoeg de prestaties wanneer het werd toegepast op DoP-inputs, wat suggereert dat het normalisatieproces in de ene context relevante kenmerken versterkt terwijl het in de andere context nuttige signaalvariaties onderdrukt.
• Energie-efficiëntie: Vermogensschattingen wijzen erop dat de neuromorfische benadering slechts tientallen milliwatts per spectrogram vereist. Zelfs onder bovengrens-schattingen is het stroomverbruik orden van grootte lager dan kleine GPU-gebaseerde systemen (bijv. Nvidia Jetson Nano, ~5W).

Betekenis en Claims
De auteurs stellen dat dit werk voor het eerst aantoont dat een direct getraind Spiking Neural Network een state-of-the-art prestatie kan leveren in RFI-detectie, waarmee zowel traditionele operationele methoden als ANN-gebaseerde benaderingen worden overtroffen. De studie betoogt dat SNN's een levensvatbaar, hoogwaardig alternatief bieden voor radioastronomie, met name in scenario's waar lage latentie en energie-efficiëntie cruciaal zijn.

Het artikel benadrukt dat de potentiële energieverbeteringen niet louter incrementeel zijn, maar orden van grootte grotere winsten vertegenwoordigen. Gezien de meerdecennale levensduur van radio-observatoria, stellen de auteurs dat dergelijke efficiëntie kan leiden tot substantiële reducties in operationele kosten en stroomverbruik. Bijgevolg concluderen zij dat neuromorfische computing een serieuze overweging verdient voor hoogwaardige wetenschappelijke signaalverwerking in energiebeperkte omgevingen. Toekomstig werk richt zich op meer geavanceerde architecturen en validatie op echte neuromorfische hardware.