Segmentazione di emissioni radio diffuse e sorgenti estese in immagini radioastronomiche mediante TransUNet: analisi delle prestazioni e della scalabilità

Le immagini ottenute mediante radiotelescopi possono presentare un elevato livello di rumore e sorgenti molto luminose, rendendo difficile individuare automaticamente le emissioni radio diffuse ed estese. L’impiego di tecniche di deep learning può essere utile per automatizzare la segmentazione di queste emissioni e velocizzare l’analisi di grandi quantità di dati. TUNA (TransUNet Network for Radio Astronomy) è una rete di deep learning sviluppata a questo scopo, della quale sono state analizzate sia la qualità delle predizioni sia le prestazioni computazionali. Gli addestramenti, dall'elevato carico computazionale, sono stati eseguiti sull’infrastruttura di calcolo ad alte prestazioni Leonardo. Come prima cosa, è stata individuata la configurazione di addestramento migliore confrontando quattro valori di learning rate: 0,01, 0,005, 0,001 e 0,0005, mantenendo invariati tutti gli altri iperparametri. Il confronto delle metriche di segmentazione ha portato alla scelta del valore 0,005, utilizzato poi nelle analisi successive. Il modello è stato anche applicato ad alcune immagini radioastronomiche reali, a differenza delle immagini simulate utilizzate per il training, ottenendo un’ottima corrispondenza con le sorgenti già catalogate. Sono state inoltre individuate regioni non presenti nei cataloghi da approfondire. La scalabilità del modello è stata analizzata tramite 1, 2, 4 e 8 GPU, sia in condizioni di strong scaling sia di weak scaling. I tempi di addestramento si sono ridotti aumentando il numero di GPU, ma lo speedup è rimasto inferiore a quello ideale, probabilmente per l’overhead dovuto alla comunicazione tra i processi. Infine, sono state confrontate le rappresentazioni FP32, FP16 e BF16. FP32 ha fornito i risultati migliori nelle metriche, mentre FP16 ha ottenuto il tempo di esecuzione per iterazione più basso. Questo dimostra che la configurazione utilizzata influisce sia sulla qualità delle predizioni sia sui tempi di esecuzione.