一种用于 AGILE-GRID 伽马射线暴探测的深度学习方法

对来自伽马射线暴（GRB）与引力波（GW）探测器的外部科学警报进行后随观测是 AGILE 团队当前的主要活动之一。AGILE 团队开发了自动化实时分析流水线，用于分析 AGILE 伽马射线成像探测器（GRID）数据，以在 0.1–10 GeV 能段探测可能的对应体。本工作提出一种利用卷积神经网络（CNN）对 AGILE-GRID 强度图进行分类来探测 GRB 的新方法，相较 AGILE 团队当前使用的 Li&Ma 方法提升了 GRB 探测能力。CNN 使用大规模模拟强度图数据集训练。研究了 AGILE 因所谓“旋转模式”导致的复杂观测模式，以制备用于测试与评估 CNN 的数据集。依据第二版 Fermi-LAT GRB 星表定义 GRB 发射模型，并与 AGILE 观测模式卷积。通过改变背景水平模拟数百万张仅含背景的图，用 CNN 评估计算出不同的 p 值分布。随后将 CNN 用于真实数据，分析 AGILE-GRID 数据存档，利用取自 Swift-BAT、Fermi-GBM 与 Fermi-LAT GRB 星表的触发时间与位置搜寻 GRB 探测。从这些星表中，CNN 以显著性 $\geq 3 \sigma$ 探测到 21 个 GRB，而 Li&Ma 方法仅探测到 2 个。本工作结果表明，在此情形下 CNN 比 Li&Ma 方法更有效地探测 GRB，并可集成进 AGILE-GRID 实时分析流水线。