Servus, ich bin auf einen aktuellen Artikel aus dem Bereich Radioastronomie gestoßen, in dem behauptet wird, das bestimmte Signale aus einem grossen Datensatz (400 TByte) mit einem KI-basierenden Algorithmus besser gefunden werden als mit herkömmlichen. Unter Herkömmlich verstehe ich bekannte DSP-Algos wie Spectralanalyse, die gesuchten Signal sind sogennante "Fast Radio Burst" also Amplitudenstarke und breitbandige Elektromagnetische Bursts mit Dauer im Milisekundenbereich, deren Ursprung aufgrund der Dispersion in einer entfernten Nachbargalaxie vermutet wird. Der Artikel: https://www.heise.de/newsticker/meldung/Raetselhafte-Radioblitze-KI-findet-72-Fast-Radio-Bursts-4161960.html Ich kann dem nicht folgen, mir scheint eher das: -der konventionelle Algorithmus "zu eng parametrisiert war" -die KI-Hardware unabhängig von der Trainingsphase besser geeignet ist grossen Datensatze durchzumustern (Vectorrechner, höherer Speicherdurchsatz) also nicht wirklich durch KI-Training ein passender Signalfilter "gefunden" werden muß. Andere Meinungen? Wie sollte ein KI Netzwerk ausschauen das passende Burts/Glitches findet, die ein herkömmlicher Glitchdetector nicht erfasst? Mehr Hintergrundinfo: https://de.wikipedia.org/wiki/Fast_Radio_Burst https://news.berkeley.edu/2018/09/10/ai-helps-track-down-mysterious-cosmic-radio-bursts/ https://chime-experiment.ca/instrument https://www.weltderphysik.de/gebiet/universum/news/2019/sieben-radioblitze-aus-einer-quelle/ https://www.nature.com/articles/d41586-019-00049-5
Naive Idee: Mann hat bereits 200 Positivbeispiele und praktisch beliebig viele Negativbeispiele, also hat man ein simples Klassifizierungsproblem, auf das man ein NN ansetzen kann. Zumindest diese Funde wären dann sicherlich durch andere Parameterwahl auch auf herkömmliche Weise möglich, aber dazu müsste man die Parameter vorher kennen. Ein NN kann man einfach mal auf gut Glück rödeln lassen, bis einem die Trefferquote niedrig genug ist um sie händisch zu begutachten.
c r schrieb: > Zumindest diese Funde wären dann sicherlich durch andere Parameterwahl > auch auf herkömmliche Weise möglich, aber dazu müsste man die Parameter > vorher kennen. Die Parameter sind bekannt: *Burstbreite < 99 ms *Signalstärke > 25 Jansky *Pulsprofil: symmetrisch, dreiecksförmig Die konkreten Zahlenwerte sind aus der populärwissenschaftlichen Darstellung beschätzt Der Datensatz wurde nach einen genau definierten Muster, einem sehr kurzem, starken Radio-Burst durchmustert. Also in Analogie ein plötzlich kurz, hell aufleuchtender Stern - das unterscheidet sich so stark und Spektakulär vom Normazustand, da muss man nicht erst eine Intelligenz bemühen, die das Gras wachsen hört.
Vielleicht hilft das Originalpaper [1]. [1] http://blpd0.ssl.berkeley.edu/frb-machine/CNNFRB_eprint.pdf
Joe G. schrieb: > Vielleicht hilft das Originalpaper [1]. > > [1] http://blpd0.ssl.berkeley.edu/frb-machine/CNNFRB_eprint.pdf Ja danke, das ist sehr viel aussagekräftiger, weil es deutlich macht, daß die Detektions-Aufgabe über ein Wasserfalldiagramm in eine simple Bild/Mustererkennungsaufgabe überführt wurde. Und es wird deutlich, das das Hauptmerkmal bei der Erkennung weder Signalstärke noch Burstdauer ist, sondern die Dispersion, die im angesprochenen Diagramm als schräge Linie erkennbar wird. Die zum Vergleich herangezogenen "konventionellen" Verfahren werden überraschenderweise erste wenige Jahre angewandt. Mal sehen was noch an Erkenntnissen betreffs der Nutzbarkeit von KNN in der Signalverarbeitung rüberkommt, hab jetztz erst nur ein Viertel gelesen.
Bitte melde dich an um einen Beitrag zu schreiben. Anmeldung ist kostenlos und dauert nur eine Minute.
Bestehender Account
Schon ein Account bei Google/GoogleMail? Keine Anmeldung erforderlich!
Mit Google-Account einloggen
Mit Google-Account einloggen
Noch kein Account? Hier anmelden.