Sintesi del progetto
SPECTRA affronta il problema relativo alla rilevazione di eventi transitori e di anomalie nei dati gamma di Fermi-LAT, dove l’alta variabilità e i volumi crescenti rendono critico il riconoscimento automatico di nuove sorgenti o cambiamenti improvvisi. Il progetto fornisce una pipeline completa, dall’acquisizione alla classificazione dei dati.
Obiettivi
Il progetto intende automatizzare la ricerca di anomalie e fenomeni astrofisici transitori ad alta variabilità, abilitare sperimentazione controllata attraverso una pipeline di simulazione Fermi-LAT; ottimizzare tempi di training e inferenza su dataset estesi facendo leva su risorse HPC.
Problemi e necessità
La scoperta di nuove sorgenti o stati transitori richiede metodi capaci di cogliere dipendenze spazio-temporali e di scalare su archivi di grandi dimensioni. A tale scopo servono strumenti che riducano i costi computazionali e migliorino la sensibilità rispetto a workflow tradizionali.
Soluzioni sviluppate
Il progetto ha sviluppato: una Pipeline completa di detection basata su tecniche di Deep Learning per sequenze di immagini e proprietà dell’universo gamma acquisite da Fermi-LAT e una simulazione dell’universo osservato dal telescopio per addestramento, validazione e l’inserimento automatico (Intelligent injection) di anomalie, così da testare sensibilità e tassi d’errore in scenari realistici. Il progetto ha fatto ricorso a risorse HPC per il training di reti profonde su dataset estesi, risparmiando tempo rispetto a risorse convenzionali.
Impatti
SPECTRA abilita un monitoraggio più rapido e sistematico del cielo gamma, con potenziale aumento del tasso di scoperta di sorgenti transitorie. La pipeline sviluppata è riusabile anche in contesti non astronomici che richiedono analisi di sequenze d’immagini.
Settori di applicazione
Gli impatti del progetto riguardano principalmente l’Astrofisica delle alte energie, il Future HPC e l’AI per big data contraddistinti da parametri spazio-temporali, come la diagnostica per immagini il controllo qualità visivo e, più in generale, domini che necessitano di anomaly detection su flussi di immagini.
