用于重建光电X射线偏振计偏振信息的卷积神经网络方法
天体物理仪器与方法
2019-09-04 v1
摘要
本文提出了一种基于机器学习的X射线偏振计光电电子径迹图像处理算法,用于偏振提取与事件筛选。该方法利用卷积神经网络(CNN)分类,从沿X射线入射方向投影的二维径迹图像中预测初始光电子发射的方位角与二维位置。通过蒙特卡洛模拟生成的数据集展示了两种CNN模型:一种采用常用的交叉熵损失函数,另一种额外增加基于-检验(用于X射线/射线天文学中周期信号搜索)的惩罚非均匀性的损失项以用于非偏振调制曲线。前者模型在非偏振数据下计算的调制曲线存在若干不规则特征,可通过展开角响应或模拟探测器旋转予以消除。另一方面,后者模型可预测出平坦的调制曲线,其残余系统调制低至%。两种模型在2.7、4.5、6.4和8.0 keV四个测试能量下均表现出几乎相同的调制因子与小于2像素(或240 m)的位置精度。此外,基于CNN输出的概率进行事件筛选,在调制因子与信号接受度之间权衡以最大化偏振灵敏度。所开发的机器学习方法相较先前基于图像矩的方法将偏振灵敏度提高了10-20%。
引用
@article{arxiv.1907.06442,
title = {A convolutional neural network approach for reconstructing polarization information of photoelectric X-ray polarimeters},
author = {Takao Kitaguchi and Kevin Black and Teruaki Enoto and Asami Hayato and Joanne E. Hill and Wataru B. Iwakiri and Philip Kaaret and Tsunefumi Mizuno and Toru Tamagawa},
journal= {arXiv preprint arXiv:1907.06442},
year = {2019}
}
备注
24 pages, 9 figures, 2 tables, accepted for publication in NIM A