用于宇宙中宇宙伽马射线传播的人工神经网络

我们探索基于人工神经网络（artificial neural network, ANN）的智能方法在探测河外宇宙中宇宙 $\gamma$ 射线光子传播方面的潜力。从耀变体等遥远源发射的 $\gamma$ 射线到达地球观测者的旅程受到与河外背景光（extragalactic background light, EBL）相互作用吸收的阻碍，导致电子-正电子对产生。该过程对于能量高于 10 GeV、在宇宙距离上传播的伽马射线光子占主导。$\gamma$ 射线衰减效应由称为光学深度（optical depth）的物理量表征，其强烈依赖于 $\gamma$ 射线光子能量、源的红移以及 EBL 光子的密度。我们使用三种不同且最有前景的 EBL 模型，估计红移范围 0.01 至 1 的源发射的能量高于 10 GeV 的 $\gamma$ 射线的光学深度值。这些光学深度估计被随机划分为两个数据集，用于以能量、红移作为输入、光学深度作为输出的 ANN 训练与测试。针对每个 EBL 模型对 ANN 性能的优化采用标准反向传播（back-propagation, BP）和径向基函数（radial-basis function, RBF）算法。发现使用 RBF 的 ANN 模型性能优于 BP 方法。特别是，对应于 Finke 等人（2010）提出的 EBL 模型、隐藏层含 40 个神经元的 RBF-ANN 在宇宙 $\gamma$ 射线传播中表现出最佳性能。