模式谱与卷积神经网络在切伦科夫望远镜阵列模拟数据分析中的应用

切伦科夫望远镜阵列（CTA）将是下一代伽马射线天文台，并将成为未来十年甚高能天文学的主要全球仪器，其通量灵敏度比当前一代伽马射线望远镜高 5 - 10 倍。每台望远镜将通过捕获地面诱导的切伦科夫辐射，提供伽马射线诱导粒子簇射的快照。此类事件的模拟提供可用作卷积神经网络（CNNs）训练数据的图像，以确定初始伽马射线的能量。与其他最先进算法相比，基于 CNN 的分析有望进一步提升 CTA 所能实现的性能。模式谱是常用的图像分类工具，提供构成图像的各种物体的形状与大小分布。在模式谱上使用相对较浅的 CNN 将自动选择图像内特征的相关组合，利用模式谱的二维特性。在这项工作中，我们从模拟伽马射线事件生成模式谱，而非使用原始图像本身来训练我们的 CNN 进行能量重建。这不同于过去尝试的其他相关学习与特征选择方法。由此，我们旨在获得显著更快且计算强度更低的算法，同时将性能损失降至最小。