章节 01
Pulsar-Net：基于物理启发的机器学习脉冲星自动识别系统
原作者与来源
- 原作者/维护者: nourawadallah
- 来源平台: GitHub
- 原始标题: Pulsar-Net
- 原始链接: https://github.com/nourawadallah/Pulsar-Net
- 发布时间: 2026年8月11日
引言：为什么我们需要自动识别脉冲星？
脉冲星是快速旋转的中子星，会发射出周期性的射电波束。这些天体不仅是宇宙中最精确的「时钟」，也是检验广义相对论、探测引力波、研究星际介质的重要工具。然而，现代射电望远镜的巡天观测每次都会产生数千个候选信号，其中绝大多数实际上是射频干扰（RFI）或噪声，真正的脉冲星只占极小比例。
传统上，天文学家需要人工筛选这些候选信号，这不仅耗时费力，而且容易遗漏微弱的真实信号。Pulsar-Net 项目正是为了解决这一痛点而诞生的——它构建了一套完整的机器学习流水线，能够自动从海量候选数据中识别出真正的脉冲星。
数据基础：HTRU2 数据集
Pulsar-Net 基于 HTRU2（High Time Resolution Universe Survey）数据集进行训练和验证。该数据集包含 17,898 个候选信号，其中仅有 1,639 个（约 9.2%）是真正的脉冲星。这种严重的类别不平衡给模型训练带来了挑战：一个简单地将所有样本预测为非脉冲星的模型也能达到 90% 以上的准确率，但完全失去了科学价值。
每个候选信号由 8 个统计特征描述：
- 积分脉冲轮廓（Integrated Pulse Profile）的均值、标准差、峰度和偏度
- DM-SNR 曲线（Dispersion Measure vs Signal-to-Noise Ratio）的均值、标准差、峰度和偏度
这些特征捕捉了信号的时域和色散特性，是区分脉冲星与干扰的基础。
特征工程：从原始特征到物理洞察
原始 8 个特征虽然描述了信号的基本属性，但未能直接捕捉特征之间的关系。项目作者通过深入理解脉冲星的物理特性，设计了 11 个额外的工程特征，将特征空间扩展到 19 维。
新增特征的设计思路
信号强度关系特征：捕捉不同统计量之间的相互作用，反映信号的能量分布模式。
脉冲轮廓锐度指标：量化脉冲峰的尖锐程度，真实脉冲星通常具有清晰、窄锐的脉冲轮廓，而 RFI 往往呈现弥散或不规则的形状。
DM-SNR 曲线特征：描述色散测量与信噪比关系的曲线特性，帮助识别具有真实色散特征的候选信号。
对数变换处理：针对严重偏斜的特征，采用保号对数变换（sign-preserving log transform）压缩数值范围，使分布更接近正态，有利于模型学习。
这些工程特征不是随意构造的，而是基于对脉冲星辐射机制和射电观测物理的深刻理解，体现了「物理启发的机器学习」这一核心理念。
模型架构：从基线到优化
基线模型：逻辑回归
项目首先使用逻辑回归作为基线，采用标准化处理和类别权重平衡。这为后续复杂模型提供了性能参照。
主模型：XGBoost
XGBoost（eXtreme Gradient Boosting）是项目的核心分类器。相比逻辑回归，XGBoost 能够：
- 自动捕捉特征间的非线性交互
- 通过集成学习降低过拟合风险
- 高效处理类别不平衡问题
训练过程中，作者对树复杂度、学习率和子采样比例进行了调优，并使用 5 折交叉验证评估模型稳定性。
阈值优化：超越默认 0.5
在分类问题中，通常默认使用 0.5 作为概率阈值。然而，对于脉冲星探测这类类别不平衡且假阴性代价高昂的任务，这一默认选择并非最优。
Pulsar-Net 采用 F2 分数作为优化目标，在验证集上搜索最佳阈值。F2 分数给予召回率（Recall）比精确率（Precision）更高的权重，这意味着项目更重视「不错过真实脉冲星」而非「减少误报」。
经过搜索，最优阈值确定为 0.355——显著低于默认的 0.5。这一调整使得模型更倾向于将边界样本判定为脉冲星，从而在保持合理精确率的同时大幅提升召回率。
性能评估：量化模型表现
在独立的测试集上，阈值优化后的 XGBoost 模型取得了以下性能：
| 指标 | 分数 |
|---|---|
| 准确率（Accuracy） | 98% |
| PR-AUC | 0.934 |
| ROC-AUC | 0.980 |
| 精确率（Precision） | 84% |
| 召回率（Recall） | 90% |
| F1 分数 | 0.87 |
这些结果表明，模型成功克服了类别不平衡的挑战：90% 的召回率意味着能够识别出绝大多数真实脉冲星，而 84% 的精确率说明预测为脉冲星的结果中大部分确实是正确的。PR-AUC 达到 0.934 进一步验证了模型在不同阈值下的稳健表现。
SHAP 可解释性：理解模型的决策逻辑
高性能模型往往被视为「黑盒」，但 Pulsar-Net 通过 SHAP（SHapley Additive exPlanations）分析提供了透明的决策解释。
关键发现
最重要的特征：log_kurtosis_profile（积分脉冲轮廓峰度的对数变换）对模型预测影响最大。这符合物理直觉——真实脉冲星的脉冲轮廓通常呈现尖峰状，具有较高的峰度值。
工程特征的价值：pulsar_signature_score（脉冲星特征评分）和 log_sharpness_index（锐度指标对数）等人工设计的特征也进入了重要特征前列，验证了特征工程的有效性。
特征交互模式：SHAP 分析揭示了特征如何协同影响单个预测，帮助天文学家理解模型为何将某个候选信号判定为脉冲星或非脉冲星。
这种可解释性对于科学应用至关重要——天文学家不仅需要知道「这是不是脉冲星」，还需要理解「为什么」，以便建立对自动化系统的信任。
实际应用与部署
Pulsar-Net 提供了完整的部署方案：
交互式 Web 应用：基于 Streamlit 构建的在线演示（https://pulsar-net.streamlit.app/）允许用户上传候选信号特征，实时获取分类结果和 SHAP 解释。
本地部署：项目提供完整的 Python 环境和依赖配置，支持在本地 Jupyter Notebook 中复现整个流程，从数据预处理到模型训练再到结果可视化。
模型持久化：训练好的 XGBoost 模型被序列化保存，可直接加载用于批量预测，无需重新训练。
技术亮点与启示
Pulsar-Net 展示了机器学习在天文学中的成功应用模式：
领域知识驱动：特征工程不是盲目的数学变换，而是建立在对脉冲星物理特性的深刻理解之上。
端到端流水线：从数据获取、特征工程、模型训练、阈值优化到可解释性分析，形成完整闭环。
类别不平衡处理：通过类别权重、F2 优化阈值和综合评估指标，确保模型在真实科学场景中的实用性。
可解释性优先：SHAP 分析让模型决策透明化，这是科学应用区别于商业应用的关键要求。
总结与展望
Pulsar-Net 为脉冲星候选信号的自动筛选提供了一个鲁棒、可解释的解决方案。随着下一代射电望远镜（如 SKA）的建设，巡天数据量将呈指数级增长，此类自动化工具的重要性只会愈发凸显。
该项目的代码结构清晰、文档完善，为其他天文机器学习项目提供了良好的参考模板。无论是对于希望入门天文数据科学的学习者，还是寻找脉冲星筛选工具的研究人员，Pulsar-Net 都值得深入探索。
