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

Resumo Técnico: Redes Neurais de Impulsos com Inclusão de Polarização para Detecção de RFI em Tempo Real

Definição do Problema
A Interferência de Radiofrequência (RFI) apresenta um desafio crescente para a radioastronomia moderna, exacerbado pelo aumento da sensibilidade dos observatórios e pela proliferação de fontes de RFI orbitais. As restrições operacionais atuais exigem um equilíbrio entre as crescentes demandas de processamento de dados e a necessidade de mitigação em tempo real. Embora as Redes Neurais Artificiais (ANNs) tenham sido aplicadas a esta tarefa, elas dependem de valores contínuos e instantâneos. Em contraste, as Redes Neurais de Impulsos (SNNs) oferecem uma alternativa atraente para a detecção em tempo real devido à sua natureza inerentemente variante no tempo e ao potencial de extrema eficiência energética quando implantadas em hardware neuromórfico. No entanto, codificar informações de forma eficaz para SNNs continua sendo um desafio, e a utilidade específica de incluir dados de polarização dentro deste framework ainda não foi totalmente explorada.

Metodologia
Este trabalho investiga a integração de informações de polarização em uma detecção de RFI baseada em SNN utilizando uma abordagem de segmentação de séries temporais supervisionada. O estudo utiliza dados simulados derivados do instrumento Hydrogen Epoch of Reionisation Array (HERA), retendo todos os canais de polarização (XX, XY, YX, YY).

• Codificação e Arquitetura: Os autores empregam a codificação por latência, anteriormente demonstrada como eficaz para esta tarefa. A rede utiliza um modelo de neurônio Leaky Integrate-and-Fire (LiF) de primeira ordem dentro de uma arquitetura feed-forward multicamadas. Duas estratégias primárias para incorporar a polarização são testadas:
  1. Polarização Total: Tratando todos os quatro canais de polarização como canais de entrada separados.
  2. Grau de Polarização (DoP): Calculando uma métrica de DoP como o recurso de entrada.
     Adicionalmente, uma técnica de pré-processamento de normalização divisiva (DN), inspirada na neurociência, é aplicada para avaliar seu impacto na discriminação de recursos.
• Restrições de Hardware: Os modelos são treinados usando o framework snnTorch e avaliados contra as restrições do hardware neuromórfico SynSense Xylo (16 canais de entrada, 1000 neurônios internos, 16 canais de saída). Para acomodar esses limites, os espectrogramas completos são divididos em patches menores (por exemplo, 16×16 ou 15×16) para treinamento e inferência.
• Modelagem de Potência: O estudo fornece três estimativas distintas de uso de energia para implantação no hardware Xylo:
  1. Uma estimativa de limite inferior baseada na atividade de impulsos (FLOPs) medida da rede treinada.
  2. Uma estimativa de limite superior baseada no consumo de potência máxima do hardware Xylo (550µW).
  3. Uma estimativa equilibrada combinando o consumo de potência ociosa medido (216µW) com a estimativa de atividade de limite inferior.

Principais Contribuições

• Integração de Polarização: Este trabalho estende a detecção de RFI baseada em SNN ao incorporar explicitamente dados de polarização, comparando entradas de canais totais contra métricas de DoP.
• Treinamento Consciente de Hardware: O estudo demonstra a viabilidade de treinar SNNs especificamente dimensionadas para caber em hardware neuromórfico de borda (Xylo) sem perda significativa de desempenho.
• Benchmarking de Desempenho: O artigo fornece uma comparação direta do SNN proposto com métodos de detecção de RFI de última geração, incluindo ferramentas operacionais tradicionais (AOFlagger), Auto-Encoders e outras abordagens de SNN/ANN.
• Estimativa de Energia: Oferece um framework inovador para estimar o consumo de energia de SNNs em radioastronomia, indo além dos FLOPs teóricos para incluir métricas de potência ociosa e ativa específicas do hardware.

Resultados

• Precisão de Detecção: A configuração "Latência + Normalização Divisiva" usando polarização total em patches de 16 canais alcançou o maior desempenho, com uma acurácia de 0,997, AUROC de 0,977 e F1-Score de 0,955.
• Comparação com o Estado da Arte: O modelo proposto superou métodos anteriores, incluindo AOFlagger, Auto-Encoders e técnicas de conversão ANN-para-SNN, alcançando resultados de última geração no conjunto de dados de benchmark.
• Impacto das Restrições: Truncar os modelos para caber no hardware Xylo resultou apenas em uma pequena degradação de desempenho. Notavelmente, o modelo "Latency-Xylo + DN" com polarização total manteve um F1-Score de 0,936, muito próximo dos melhores modelos não restritos.
• Efeitos da Normalização Divisiva: Embora a DN tenha melhorado a acurácia para entradas de polarização total, ela paradoxalmente reduziu o desempenho quando aplicada a entradas de DoP, sugerindo que o processo de normalização amplifica recursos relevantes em um contexto enquanto suprime variações de sinal úteis no outro.
• Eficiência Energética: As estimativas de potência indicam que a abordagem neuromórfica requer apenas dezenas de milivolts por espectrograma. Mesmo sob estimativas de limite superior, o consumo de energia é ordens de magnitude menor do que pequenos sistemas baseados em GPU (ex: Nvidia Jetson Nano, ~5W).

Significância e Alegações
Os autores afirmam que este trabalho demonstra, pela primeira vez, que uma Rede Neural de Impulsos treinada diretamente pode alcançar um desempenho de última geração na detecção de RFI, superando tanto métodos operacionais tradicionais quanto abordagens baseadas em ANN. O estudo argumenta que as SNNs oferecem uma alternativa viável e de alto desempenho para a radioastronomia, particularmente em cenários onde baixa latência e eficiência energética são críticas.

O artigo enfatiza que os potenciais ganhos de energia não são meramente incrementais, mas representam ganhos de ordens de magnitude. Dado o tempo de vida de várias décadas dos observatórios de rádio, os autores postulam que tal eficiência poderia levar a reduções substanciais nos custos operacionais e no consumo de energia. Consequentemente, eles concluem que a computação neuromórfica merece consideração séria para o processamento de sinais científicos de alto desempenho em ambientes com restrição de energia. O trabalho futuro é identificado com foco em arquiteturas mais sofisticadas e validação em hardware neuromórfico real.