A GPU-based survey for millisecond radio transients using ARTEMIS
天体物理无线电瞬变是对源自银河系内外紧凑源的极端物理过程的出色探测。从这些物体发出的射频信号提供了一种研究它们所穿过的中介介质的手段。下一代射电望远镜旨在探索高时间分辨率天文学的巨大未知参数空间,但需要高性能计算(HPC)解决方案来处理这些望远镜产生的大量数据。我们已经开发了一个软件/硬件相结合的解决方案(代号为ARTEMIS),用于实时搜索毫秒无线电瞬变,它使用GPU技术来消除星际色散,并实时检测来自天文源的毫秒无线电爆发。在这里,我们介绍了ARTEMIS。我们简要介绍了软件流水线,然后专门关注执行非相干去色散的复杂性。我们提出了两个蛮力算法的结果。第一种是基于GPU的算法,旨在利用NVIDIA Fermi GPU的L1缓存。我们的第二种算法基于CPU,利用英特尔Sandy Bridge CPU中的新AVX单元。
2011-11-28 astro-ph.IM
Mulitbeam GPU Transient Pipeline for the Medicina BEST-2 Array
使用下一代射电望远镜的无线电瞬变发现将带来几个数字信号处理和数据传输挑战,需要专门的高性能后端。几种加速器技术被认为是原型平台,包括图形处理单元(GPU)。在本文中,我们提出了一个实时流水线原型能够同时处理多个波束,执行射频干扰(RFI)拒绝通过阈值,纠正信号到达时间的延迟,在整个频带使用暴力去色散,事件检测和聚类,最后候选过滤,具有持久的数据缓冲区包含感兴趣的信号磁盘的能力。该装置部署在意大利Medicina的BEST-2 SKA探路者上,在那里进行了几次天体物理瞬变的基准和测试观测。这些测试表明,在所部署的硬件上,对于$\sim$ 640色散测量(DM)值,可以同时处理8个20 MHz波束。此外,聚类和候选过滤算法证明是很好的候选人在线事件检测技术。可以处理的波束数量与部署的服务器数量和GPU数量成比例增加,使其成为当前和未来射电望远镜的可行架构。
2013-07-22 astro-ph.IM
Towards a GPU-Accelerated Real-Time Imaging Pipeline for SETI at the Allen Telescope Array
SETI Institute(SETI研究所);Steward Observatory, University of Arizona(亚利桑那大学斯图尔德天文台);Breakthrough Listen, University of California, Berkeley(加州大学伯克利分校突破聆听计划);Berkeley SETI Research Center, UC Berkeley(加州大学伯克利分校伯克利SETI研究中心)
该研究开发了用于艾伦望远镜阵列的GPU加速干涉成像与色散量搜索流水线,集成CyberEther框架,在测试中成功恢复注入脉冲源,核心处理速度满足实时要求。
2026-10-06 astro-ph.IM
Lenstool-HPC: A High Performance Computing based mass modelling tool for cluster-scale gravitational lenses
随着下一代望远镜的出现,星系团尺度的强引力透镜将越来越成为宇宙学和暗物质的相关探测器。当前和未来的设施产生的更好的分辨率数据需要更快,更有效的镜头建模软件。因此,我们提出了Lenstool-HPC,一个强引力透镜建模和地图生成工具的基础上高性能计算(HPC)技术和著名的Lenstool软件。我们还展示了天文学家通过在超级计算机上大规模并行执行来提高计算速度所需的HPC概念。Lenstool-HPC是使用具有高度并行性的透镜建模算法开发的。每个算法都被实现为高度优化的CPU,GPU和混合CPU-GPU版本。该软件已在瑞士国家超级计算中心Piz Daint集群上部署和测试。与Lenstool相比,Lenstool-HPC完全并行的镜头映射生成和导数计算仅使用1个GPU就实现了30倍的加速。在哈勃太空望远镜精度测试的Lensstool-HPC混合透镜模型拟合生成可扩展到200个CPU-GPU节点,比仅使用4个CPU-GPU节点的Lensstool更快。
2020-04-14 astro-ph.IM
Implementation of 3D degridding algorithm on the NVIDIA GPUs using CUDA
实际的孔径合成成像算法通过在估计天空亮度分布和基于该估计的预测与测量数据(“亮度”)的比较之间迭代来工作。后一步的准确性至关重要,但由于望远镜对数据的不规则和非平面采样而变得困难。在这项工作中,我们提出了一个GPU实现的三维去网格,准确地处理这两个困难,是专为分布式操作。我们解决的负载平衡问题所造成的巨大变化,需要计算的vibrations。使用CUDA和NVidia GPU,我们测量的性能高达每秒12亿次。
2021-02-25 astro-ph.IM
GPU-accelerated Image Reduction Pipeline
我们开发了一个使用图形处理单元(GPU)作为硬件加速器的高速图像缩减流水线。天文学家希望尽快探测到引力波源的电磁对应物,以便共享位置信息,组织系统的后续观测。因此,高速图像处理是重要的。我们为我们的机器人望远镜系统开发了一个新的图像缩减流水线,它通过Python包CuPy使用GPU来实现高速图像处理。结果,处理速度比当前流水线的处理速度提高了40倍以上,同时保持了相同的功能。
2020-08-26 astro-ph.IM
Single Pulse Detection Algorithms for Real-time Fast Radio Burst Searches using GPUs
在过去的十年里,由于快速射电暴的发现,在时域射电天文学中对非重复或不规则事件的探测变得越来越重要。现有或即将推出的射电望远镜正在收集越来越多的数据,因此作为这些望远镜重要组成部分的软件必须以高数据速率处理大量数据。必须搜索数据以检测新的和有趣的事件,通常是实时的。这些要求需要新的和快速的算法,必须快速和准确地处理数据。在这项工作中,我们提出了新的算法,单脉冲检测使用矩形波串滤波器。我们已经量化的信号损失单脉冲检测算法,使用矩形波滤波器,并根据这些结果,我们设计了两个不同的“有损”算法。我们的有损算法使用一组不完整的矩形波串滤波器,以检测到的信号功率的一个小的减少为代价来加速检测。我们提出了信号损失的公式,我们的算法和并行实现NVIDIA GPU使用CUDA的描述。我们还提出了正确性测试,人工数据测试和实现的性能。我们的实现可以处理SKA-MID类数据266 $\times$比实时在NVIDIA P100 GPU和500倍的速度比实时在NVIDIA泰坦V GPU的平均信号功率损失为7%。最后,我们展望了单脉冲探测超越SKA时代,纳秒时间分辨率射电天文学。
2020-04-27 astro-ph.IM
The Design and Implementation of a ROACH2+GPU based Correlator on the Tianlai Dish Array
数字关联函数是现代射电望远镜的关键部件。本文介绍了一种可扩展的天来导航仪阵列关联函数系统的设计,该系统是一项专门用于测试21 cm强度测绘测量关键技术的实验。关联函数采用FX设计,首先使用天文信号处理和电子研究合作组织(CASPER)可重构开放式架构计算硬件2(ROACH 2)板执行快速傅里叶变换(FFT),包括多相滤波器组(PFB)计算,然后使用图形处理单元(GPU)计算互相关。该设计已在实验室和实际观测中得到验证。
2019-04-16 astro-ph.IM
Pulsar Acceleration Searches on the GPU for the Square Kilometre Array
脉冲星加速搜索是从射电望远镜中恢复信号的方法,否则可能会由于双星系统中的轨道加速效应而丢失。下一代仪器(如平方公里阵列(SKA))将产生大量数据,需要实时加速搜索,这反过来又需要使用HPC平台。我们提出了我们的实现的傅立叶域加速搜索(FDAS)算法的图形处理器单元(GPU)的SKA的上下文中,作为天文加速实时数据处理库的一部分,目前正在开发中的牛津电子研究中心(OeRC),牛津大学。
2015-11-24 astro-ph.IM
GPU Kernels for High-Speed 4-Bit Astrophysical Data Processing
干涉射电望远镜通常依赖于计算昂贵的O(N^2)相关计算;幸运的是,这些计算可以很好地映射到大规模并行加速器,如低成本的GPU。本文介绍了OpenCL内核开发的GPU为基础的X引擎的一种新的混合FX相关器。来自F引擎的数字化数据以4位偏移编码的实整数和虚整数的形式提供给GPU。由于数据的低位宽,两个值可以打包到32位寄存器中,从而允许使用单个融合乘加指令进行多个值的乘法和加法。通过这种数据和计算打包方案,可以在4.3 TOPS GPU上执行多达5.6有效的每秒兆操作(TOPS)。内核设计允许相关性扩展到大量输入元素,仅受GPU上的最大缓冲区大小限制。这段代码目前在加拿大BC的CHIME Pathfinder Correlator上运行。
2015-03-20 astro-ph.IM
Correlating Radio Astronomy Signals with Many-Core Hardware
射电天文学最近的发展是用许多小天线取代传统的碟形天线。这些信号被组合成一个巨大的虚拟望远镜。巨大的数据流被互相关以滤除噪声。这尤其具有挑战性,因为计算需求随着数据流的数量呈二次方增长。此外,相关器不仅是计算密集型的,而且是非常密集的I/O。例如,LOFAR望远镜每天将产生超过100 TB的数据。未来的SKA望远镜甚至需要艾次浮点运算和千兆比特/秒的I/O。最近的趋势是在软件而不是专用硬件中进行关联,以增加灵活性并减少开发工作。我们在多核CPU和众核架构(如NVIDIA和ATI GPU以及Cell/B. E)上评估相关器算法。correlator是一个流式实时应用程序,比目前通常在众核硬件上实现的应用程序的I/O密集度要高得多。与IBM Blue Gene/P超级计算机上的LOFAR产生式相关器进行了比较。我们调查性能,功率效率和可编程性。我们确定了几个重要的架构问题,导致架构执行次优。我们的研究结果适用于一般的数据密集型应用程序。当前GPU的处理能力和存储器带宽对于相关性目的而言是高度不平衡的。虽然Blue Gene/P上的产品相关器达到了理论峰值性能的96%,但在ATI GPU上只有16%,在NVIDIA GPU上只有32%。细胞/B.E.相比之下,处理器达到了出色的92%。我们发现Cell/B.E.和NVIDIA GPU是最节能的解决方案,它们运行相关器的能效至少是Blue G…
2017-02-02 astro-ph.IM
A GPU-based Correlator X-engine Implemented on the CHIME Pathfinder
我们提出了一个自定义的基于GPU的计算集群,提供相关的CHIME探路者射电望远镜的X引擎的设计和实现。它是最大的此类系统之一,在400 MHz的无线电带宽上关联32,896个基线(256个输入)。该系统大量使用消费级部件和定制软件堆栈,开发成本仅为同类安装成本的一小部分。与现有的GPU后端不同,该系统是围绕在消费级AMD GPU上运行的OpenCL内核构建的,利用低成本硬件并利用打包整数运算将算法效率提高一倍。该系统在10 kW的功率范围内实现了所需的105 TOPS,使其成为当今使用的最节能的X发动机之一。
2015-06-11 astro-ph.IM
HCGrid: A Convolution-based Gridding Framework for RadioAstronomy in Hybrid Computing Environments
网格化操作是射电天文数据归约过程中的关键步骤之一,它将非均匀分布的数据样本映射到均匀分布的网格上。网格计算的主要瓶颈之一是计算性能差,解决这一问题的典型方法是采用多核CPU平台。虽然这种方法通常可以取得很好的效果,但在很多情况下,由于CPU的限制,网格化的性能仍然受到一定程度的限制,因为网格化的主要工作量是大量的单指令、多数据流操作的组合,更适合GPU实现,而不是CPU实现。为了满足现代大型单碟射电望远镜数据网格化的挑战,Five-hundred-meter-aperture Spherical Radio Telescope(FAST)的设计灵感来自于现有的多核CPU网格算法,如Cygrid,本文提出了一个易于安装、高性能、开源的卷积网格框架HCGrid,该框架支持CPU-GPU异构平台。它通过在CPU上使用多线程来优化数据搜索,并通过利用GPU的大规模并行化来加速卷积过程。为了使HCGrid具有更强的自适应性,我们还提出了线程组织和粗化策略,以及不同GPU架构下的最佳参数设置。通过对几种GPU并行优化策略的计算时间和性能增益的深入分析,表明该优化策略可以在混合计算环境中获得优异的性能。
2020-12-24 astro-ph.IM
Spotting Radio Transients with the help of GPUs
对时域无线电天空的探索对于推进我们对动态宇宙的认识具有巨大的潜力。过去的调查已经发现了大量的电磁波,旋转无线电瞬变和其他瞬变无线电现象;然而,他们通常依赖于离线处理来应对高数据和处理速率。这种模式排除了获得高分辨率基带转储的重大事件或执行立即后续观测的可能性,限制了分析能力,可以从探测数据收集。为了克服这一限制,需要对瞬态无线电事件进行实时处理和检测。通过利用现代图形处理单元(GPU)的强大计算能力,我们正在开发一个瞬态检测管道,该管道实时运行于帕克斯射电望远镜的数据上。在本文中,我们将讨论我们的流水线中使用的算法,其在GPU上实现的细节和射频干扰的存在所带来的挑战。
2011-12-01 astro-ph.IM
Back-propagating the light of field stars to probe telescope mirrors aberrations
我们提出了一种基于波前的方法来估计整个视场的PSF。该方法仅利用视场星估计望远镜所有反射镜的像差。在这篇概念证明论文中,我们描述了该方法并给出了一些定性结果。
2016-08-05 astro-ph.IM
Pipeline for Antarctic Survey Telescope 3-3 in Yaoan, Yunnan
AST 3 -3是南极巡天望远镜(AST 3)的第三个机器人设施,将部署在南极洲Dome A进行瞬态巡天。由于当前的疫情,该望远镜目前已部署在中国姚安观测站,开始调试观测和短暂调查。本文介绍了一个全自动的AST 3 -3观测数据处理系统。瞬态检测流水线使用针对GPU设备优化的最先进的图像减法技术。并行任务方法加速了图像缩减和瞬态测光。我们基于Python的系统允许以实时和准确的方式从宽场数据中进行瞬态检测。采用基于ResNet的旋转不变神经网络对瞬态候选进行分类。因此,该系统能够自动生成瞬态及其光变曲线。
2022-05-10 astro-ph.IM
Noise statistics in a fast digital radio receiver: the Bedlam backend for the Parkes Radio Telescope
射电望远镜接收机中电压的数字记录在频率转换和以有限速率采样之后,并不是原始模拟信号的完美表示。为了检测和消除持续时间与反向带宽相当的瞬态事件,必须补偿这些影响,这会修改信号的统计数据,从而难以确定潜在检测的重要性。我们提出了这些修改后的统计数据的分析,并证明了他们的实验结果从Bedlam,一个新的数字后端的帕克斯射电望远镜。
2013-01-23 astro-ph.IM
Exploiting the time of arrival of Cherenkov photons at the 28 m H.E.S.S. telescope for background rejection: Methods and performance
2012年,高能立体系统(H.E.S.S.)第五台望远镜(CT5)。CT5的有效镜面直径为28米,能够探测到非常微弱的伽马射线空气簇射的切伦科夫光,因此与其他四台望远镜相比,该望远镜的能量阈值显着降低。从记录的簇射图像中提取尽可能多的信息对于背景抑制和达到几十GeV的能量阈值至关重要。CT 5的照相机被设想为相对于每个像素的16 ns积分窗口的开始记录电荷脉冲最大值的时间。该信息可用于改进事件重建。它还有助于减少低能量下的背景污染。我们提出了基于CT 5定时信息的背景抑制新技术,并评估了它们的性能。
2015-09-11 astro-ph.IM
Acceleration of low-latency gravitational wave searches using Maxwell-microarchitecture GPUs
引力波(GW)的低延迟探测对于通过常规望远镜对天体物理瞬变进行及时的后续观测至关重要。我们已经开发了一个低延迟流水线使用的技术称为求和并行无限脉冲响应(SPIIR)滤波,实现了图形处理单元(GPU)。在本文中,我们开发了新的\textit{Maxwell}存储器访问架构的NVIDIA GPU,即只读数据缓存,翘曲洗牌,交叉翘曲原子技术。我们报告了3倍的速度比我们以前的实现这种过滤技术。为了用相对较少的滤波器来处理SPIIR,我们开发了一种新的GPU线程配置,具有近10倍的加速。此外,我们使用Maxwell GPU实现了一种多速率SPIIR滤波方案。对于多速率滤波方案,我们在单核CPU上实现了超过100倍的加速。这使得整个SPIIR流水线的CPU使用量减少了21倍。
2017-02-08 astro-ph.IM cs.DC
High-Time Resolution GPU Imager for FRB searches at low radio frequencies
针对低频FRB搜寻中传统相控阵波束方法计算效率低的问题,提出了GPU实现的高时间分辨率成像器BLINK,经MWA和SKA-Low原型站数据验证及多平台基准测试,可用于全GPU加速FRB搜寻管线且代码开源。
2024-05-22 astro-ph.IM
Cobalt: A GPU-based correlator and beamformer for LOFAR
对于低频射电天文学,通用硬件上的软件相关和波束形成是定制设计硬件的可行替代方案。LOFAR是新一代射电望远镜,中心位于荷兰,在德国,法国,爱尔兰,拉脱维亚,波兰,瑞典和英国设有国际站,自2004年以来,它已成功使用基于IBM Blue Gene技术的软件实时处理器。从那时起,技术的发展使我们能够建立一个基于商业现成组件的系统,该系统将相同的功能与较低的运营成本相结合。在本文中,我们描述了一个基于GPU的关联函数和波束形成器的设计和实现具有相同的能力,蓝色基因为基础的系统。我们专注于所采取的设计方法,并显示在选择一个合适的系统所面临的挑战。软件系统的设计、实现和验证充分体现了现代测试驱动开发方法的价值。基于三年运行的运行经验表明,通用系统是以前基于超级计算机的系统或定制设计的硬件的良好替代品。
2018-04-30 astro-ph.IM
Cutting the cost of pulsar astronomy: Saving time and energy when searching for binary pulsars using NVIDIA GPUs
使用傅立叶域加速搜索(FDAS)方法来搜索二进制序列是计算成本高的过程。下一代射电望远镜必须实时执行FDAS,因为数据量太大而无法存储。FDAS是一种匹配滤波方法,用于搜索具有近似线性加速度的二元双星的时域射电天文数据集。在本文中,我们将探讨如何利用NVIDIA GPU上的混合精度计算和动态频率缩放组合,降低AstroAccelerate中类似SKA的FDAS实施的能源成本。结合这两种方法,我们已经成功地节省了58%的FDAS的总能源成本与(<3%)牺牲的数值灵敏度。
2022-11-24 astro-ph.IM cs.DC
Design and Implementation of a Scalable Correlator Based on ROACH2+GPU Cluster for Tianlai 96-Dual-Polarization Antenna Array
本文为Tianlai 96双极化天线阵列设计并部署了一个基于六块ROACH2板和七台GPU服务器的192输入数字相关器,实现了低成本、高性能和模块化可扩展的异构计算架构。
2024-06-27 astro-ph.IM
An accurate and efficient algorithm for detection of radio bursts with an unknown dispersion measure, for single dish telescopes and interferometers
天文射电暴在穿越星际介质时会散开。为了最佳地检测频带内的短持续时间信号,我们必须精确地补偿脉冲色散,这是一项计算要求很高的任务。我们提出了快速色散测量变换(FDMT)算法,用于此类信号的最佳检测。该算法具有较低的理论复杂度:2NfNt + NtNdlog2(Nf),其中Nf,Nt和Nd分别是频点,时间点和色散测量点的个数.与以前建议的快速算法不同,我们的算法保留了蛮力解色散的敏感性。我们的测试表明,该算法,在标准的台式计算机上运行,并在一个高级编程语言中实现,已经比最先进的去分散代码运行在图形处理单元(GPU)的状态更快。我们还提出了一个变种的算法,可以有效地实现在GPU上。后一种算法的计算和数据传输要求与二维FFT相似,这表明在规划未来调查时,不相干去色散现在可以被认为是一个不存在的问题。我们进一步提出了一个快速算法的敏感的解色散脉冲短于通常允许的非相干解色散。在典型情况下,该算法比通过卷积的相干去色散快几个数量级。我们分析了无线电干涉仪搜索脉冲信号的计算复杂度。我们的结论是,使用我们建议的算法,最大限度地敏感的盲搜索这种脉冲是可行的,使用现有的设施。我们提供了这些算法在Python和MATLAB中的实现。
2014-11-19 astro-ph.IM
Application of Graph Networks to background rejection in Imaging Air Cherenkov Telescopes
针对成像大气切伦科夫望远镜的强子背景排除难题,提出将探测图像转为图结构、用图卷积网络分类的新算法,性能优于现有机器学习及深度学习方法。
2023-11-07 astro-ph.IM
Imaging Analysis of the Hard X-ray Telescope ProtoEXIST2 and New Techniques for High Resolution Coded Aperture Telescopes
具有高角分辨率(<2“)的宽视场(> 100度$^2$)硬X射线编码孔径望远镜将使大范围的时域天体物理学成为可能。例如,伽马射线暴等瞬变源可以在没有二次聚焦X射线望远镜帮助的情况下精确定位,从而能够进行快速的后续研究。另一方面,编码孔径成像中的高角分辨率在处理系统不确定性方面引入了新的挑战:每像素的平均光子计数通常太小而不能建立适当的背景图案或在模型保持不变的时间尺度中对系统不确定性进行建模。我们介绍了两种新的技术,以提高检测灵敏度,这是专为,但不限于高分辨率编码孔径系统:自背景建模方案,利用连续扫描或抖动操作,和基于泊松统计的概率方法来评估的意义源检测没有减法处理的背景。我们使用2012年秋季高空气球飞行期间宽视场硬X射线望远镜ProtoEXIST 2获得的数据来说明高分辨率编码孔径望远镜中的这些新成像分析技术。我们回顾了ProtoEXIST 2在飞行过程中的成像灵敏度,并使用我们的气球飞行数据与模拟的理想泊松背景相比,展示了新技术的性能。
2016-09-19 astro-ph.IM
Novel Back-coated Glass Mirrors for the MAGIC Telescopes
安装在成像大气切伦科夫望远镜上的镜子,如加那利群岛拉帕尔马的MAGIC望远镜,经常暴露在恶劣的环境中。它们必须经受住灰尘和沙子、温度变化和雨水引起的风腐蚀。由于望远镜的尺寸,用圆顶保护结构是不切实际的。MAGIC中使用的电流镜是铝前涂层玻璃镜,由薄石英层覆盖。但即使有这种保护层,在几年的时间尺度上也可以看到反射率的显著下降。石英层非常脆弱,很容易被划伤或损坏,这也使得清洁镜子几乎不可能。我们已经测试了一种新设计的玻璃镜,可以很容易地清洁,并应显示几乎没有退化的反射率由于环境的影响。保护层是一个超薄的玻璃板,背面涂有铝,使之能够简单地擦拭镜子与家用清洁工具。在这篇文章中,我们将介绍原型反射镜的反射率和聚焦特性的实验室测试结果,以及MAGIC望远镜的长期现场测试结果。我们还将概述用这种新颖的设计交换大部分MAGIC反射镜的计划,以保证MAGIC在未来几年的峰值性能。
2019-09-09 astro-ph.IM
A 400Gbit Ethernet core enabling High Data Rate Streaming from FPGAs to Servers and GPUs in Radio Astronomy
本文针对射电天文学海量数据实时处理中GPU受限于I/O速率的问题,开发并测试了多种从NIC到GPU的数据流传输技术,并提出开源UDP/IPv4 400GbE封装器,实现FPGA到GPU的高速数据流传输,显著降低后端成本、功耗与复杂度。
2024-11-23 astro-ph.IM cs.DC
Background rejection using image residuals from large telescopes in imaging atmospheric Cherenkov telescope arrays
识别由μ子产生的切伦科夫光被认为是一种有希望的方法,以显着提高成像大气切伦科夫望远镜(IACT)阵列在高能量下的背景抑制能力。然而,μ子识别仍然是一项具有挑战性的任务,有效的算法仍在开发中。我们提出了一种方法,而不是识别切伦科夫光的μ子,我们只是考虑存在的切伦科夫光以外的主簇射图像的IACTs与大的镜子面积。我们证明了在H.E.S.S.五个望远镜的阵列,这种方法导致在所有能量超过1 TeV的背景抑制改善。特别地,在能量高于20 TeV时,抑制功率可以提高因子$\sim3-4$,同时保持原始伽马射线效率的$\sim90\%$。
2022-11-23 astro-ph.HE astro-ph.IM
Scaling Radio Astronomy Signal Correlation on Heterogeneous Supercomputers Using Various Data Distribution Methodologies
下一代射电望远镜将需要更大数量级的计算能力,以提供更高灵敏度的宇宙视图。在射电望远镜信号处理流程的初始阶段,信号相关性是处理巨大数据吞吐量和密集计算方面的最大挑战之一。我们实现了一个基于GPU集群的软件相关器与各种数据分布模型,并给出了一个系统的比较使用Fornax超级计算机的测试结果的基础上。通过分析每个模型的可扩展性和吞吐量,在广泛的问题大小范围内确定最佳方法,涵盖下一代望远镜的规模。
2013-05-24 astro-ph.IM cs.DC
Muons as a tool for background rejection in Imaging Atmospheric Cherenkov Telescope arrays
在宇宙射线质子和原子核引发的空气簇射中,μ介子的存在被公认为是将这种簇射与伽马射线引发的簇射分开的有力工具。然而,到目前为止,这种方法已被充分利用,只有地面粒子探测阵列。我们探讨了使用切伦科夫光μ子作为背景抑制工具成像大气切伦科夫望远镜阵列在最高能量的可行性。我们采用的切伦科夫光从个别μ子的分析模型,允许快速模拟大量的阵雨在混合模式。这使我们能够以可接受的计算时间成本探索非常高的背景抑制功率范围。我们表明,非常大($\gtrsim$ 20米镜直径)的望远镜,有效的识别μ子光可能会导致高达10 $^{-5}$的背景抑制水平,同时保持高效率的伽马射线。虽然在成像切伦科夫望远镜阵列的数据分析中有效利用μ子切伦科夫光仍然存在许多挑战,但我们的研究表明,对于至少包含一个大型望远镜的阵列,这是一个非常值得努力的工作。
2021-11-23 astro-ph.HE astro-ph.IM
Accelerating convolutions on the sphere with hybrid GPU/CPU kernel splitting
我们提出了一个通用的方法,加速超过一个数量级的卷积的像素化功能的球与径向对称的内核。我们的方法将内核分成一个紧凑的实空间和一个紧凑的球谐空间分量,然后可以分别使用廉价的商品GPU和CPU并行卷积。我们提供模型的计算成本的实空间和傅立叶空间卷积和近似误差的估计。使用这些模型,我们可以确定最佳分割,最大限度地减少卷积的挂钟时间,同时满足所需的误差范围。我们应用这种技术的问题,模拟宇宙微波背景的天空地图的分辨率典型的高分辨率地图的宇宙微波背景各向异性产生的普朗克航天器。对于普朗克CMB的主要科学通道,我们实现了10倍以上的加速,假设输出图(的功率谱)中的分数均方根误差为10^-5阶。
2012-11-15 astro-ph.CO astro-ph.IM
Muons as a tool for background rejection in imaging atmospheric Cherenkov telescope arrays
在宇宙射线质子和原子核引发的空气簇射中存在μ介子,这是一个很好的工具,可以将这种簇射与伽马射线引发的簇射区分开来。然而,到目前为止,这种方法已被充分利用,只有地面粒子探测阵列。在这篇文章中,我们探讨了使用切伦科夫光从μ子作为背景抑制工具成像大气切伦科夫望远镜阵列在最高能量的可行性。我们采用的切伦科夫光从个别μ子的分析模型,允许快速模拟大量的阵雨在混合模式。这允许在计算时间方面以可接受的成本探索非常高的背景抑制功率状态。我们发现,对于非常大的望远镜($\gtrsim$ 20米直径),有效的识别μ子将提供一个重大的改进,相对于标准的背景抑制技术在能量超过几十TeV。
2021-09-09 astro-ph.HE astro-ph.IM
Ground-Based Mid-IR Direct Imaging: The Origin of the Thermal Background on the Keck II Telescope and Correcting Instrumental Systematics
University of California, San Diego(加利福尼亚大学圣迭戈分校);Herzberg Institute of Astrophysics(赫茨伯格天体物理研究所);University of California Observatories(加利福尼亚大学天文台)
本文利用Keck II/NIRC2的M波段成像评估并改进热背景扣除,确定系统分量源于K镜和次镜支架,并给出原行星AB Aur b的对比度上限。
2025-09-10 astro-ph.EP astro-ph.IM
microJAX: A Differentiable Framework for Microlensing Modeling with GPU-Accelerated Image-Centered Ray Shooting
Institute of Space and Astronautical Science, Japan Aerospace Exploration Agency(宇宙科学研究所,日本宇宙航空研究开发机构)
本研究推出基于JAX的全可微微透镜建模框架microJAX,实现GPU加速的像心射线追踪算法,精度与现有工具相当且速度提升5-6倍,可无缝集成概率编程框架,为未来大规模巡天提供支撑。
2025-10-03 astro-ph.EP astro-ph.GA astro-ph.IM
CHIME FRB: An application of FFT beamforming for a radio telescope
我们已经开发了FFT波束形成技术的CHIME射电望远镜,搜索和定位天体物理信号的快速射电暴(FRB)在一个大的瞬时视场(FOV),同时保持完整的角分辨率的CHIME。我们在GPU相关器中实现了一个混合波束形成流水线,通过精确定相沿东西方向的四个形成的波束在南北方向合成256个FFT形成的波束,平铺约250平方度的天空区域。采用零填充近似来改善跨400至800 MHz的宽带宽的彩色波束对准。我们对数据进行上行信道化,以实现$Δν$ =24 kHz的精细光谱分辨率和0.983 ms的时间节奏,这对于检测诸如来自FRB的瞬态和分散信号是理想的。
2017-02-15 astro-ph.CO astro-ph.HE astro-ph.IM