利用 AMS 电磁量能器进行质子背景剔除的深度学习模型比较
高能物理 - 实验
2025-02-07 v1 机器学习
摘要
阿尔法磁谱仪 (AMS) 是安装在国际空间站上的一种高精度粒子探测器，包含六个不同的子探测器。过渡辐射探测器和电磁量能器 (ECAL) 用于从丰富的宇宙射线质子背景中分离电子/正电子。AMS 在太空中测量的正电子通量随幂律下降，在 25 GeV 以上意外变软，然后在 280 GeV 以上变硬。几种理论模型试图解释这些现象，需要更高能量下更纯净的正电子测量来帮助检验它们。目前在高能下剔除质子背景的方法涉及外推 ECAL 的簇射特征，用作提升决策树和似然分类器的输入。我们提出了一种利用深度学习 (DL) 进行 AMS ECAL 粒子识别的新方法。通过将所有 ECAL 单元内的能量沉积作为输入，并将其视为类图像格式的像素，我们训练了 MLP、CNN 以及多个 ResNet 和卷积视觉 Transformer (CvT) 作为簇射分类器。分别使用蒙特卡洛 (MC) 事件和国际空间站 (ISS) 数据评估了质子剔除性能。对于 MC，使用重建能量在 0.2 - 2 TeV 之间的事件，在 90% 电子准确率下，我们的 CvT 模型的质子剔除能力是其他 DL 模型的 5 倍以上。同样，对于重建能量在 50 - 70 GeV 之间的 ISS 数据，我们的 CvT 模型的质子剔除能力是其他 DL 模型的 2.5 倍以上。
引用
@article{arxiv.2402.16285,
title = {A Comparison of Deep Learning Models for Proton Background Rejection with the AMS Electromagnetic Calorimeter},
author = {Raheem Karim Hashmani and Emre Akbaş and Melahat Bilge Demirköz},
journal= {arXiv preprint arXiv:2402.16285},
year = {2025}
}
备注
19 pages, 11 Figures