Radiometer Calibration using Machine Learning

要約

放射計は電波天文学の重要な機器であり、ほぼすべての無線望遠鏡の主要な要素を形成しています。
これらは、電磁放射の強度を測定し、この放射を電気信号に変換します。
放射計の主要なコンポーネントは、アンテナと低ノイズアンプ（LNA）です。これは、「レシーバー」チェーンの中核です。
受信機によって導入された機器効果は、通常、キャリブレーション中に修正または削除されます。
ただし、アンテナと受信機の間のインピーダンスの不一致は、不要な信号反射と歪みを導入できます。
Dicke Switchingなどの従来のキャリブレーション方法は、アンテナとよく特徴付けられた参照ソースの間の受信機入力を、比較することでエラーを軽減するために交互に交互に行います。
機械学習（ML）の最近の進歩は、有望な選択肢を提供します。
既知の信号ソースを使用して訓練されたニューラルネットワークは、従来の分析アプローチが闘っている複雑なシステムをモデル化および校正するための強力な手段を提供します。
これらの方法は、高赤方偏移で原子水素からのかすかな空平均21 cm信号を検出するために特に関連しています。
これは、今日の観察宇宙論の主な課題の1つです。
ここでは、初めて、21 cmのラインを検出することを目的とした放射線実験に必要な精度を実現できる機械学習ベースのキャリブレーションフレームワークを導入してテストします。

要約(オリジナル)

Radiometers are crucial instruments in radio astronomy, forming the primary component of nearly all radio telescopes. They measure the intensity of electromagnetic radiation, converting this radiation into electrical signals. A radiometer’s primary components are an antenna and a Low Noise Amplifier (LNA), which is the core of the “receiver” chain. Instrumental effects introduced by the receiver are typically corrected or removed during calibration. However, impedance mismatches between the antenna and receiver can introduce unwanted signal reflections and distortions. Traditional calibration methods, such as Dicke switching, alternate the receiver input between the antenna and a well-characterised reference source to mitigate errors by comparison. Recent advances in Machine Learning (ML) offer promising alternatives. Neural networks, which are trained using known signal sources, provide a powerful means to model and calibrate complex systems where traditional analytical approaches struggle. These methods are especially relevant for detecting the faint sky-averaged 21-cm signal from atomic hydrogen at high redshifts. This is one of the main challenges in observational Cosmology today. Here, for the first time, we introduce and test a machine learning-based calibration framework capable of achieving the precision required for radiometric experiments aiming to detect the 21-cm line.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google