深度学习在伽马射线天文中的能量估计与粒子鉴别
天体物理仪器与方法
2019-07-25 v1 分布式、并行与集群计算
机器学习
机器学习
摘要
深度学习技术，即卷积神经网络（CNN），此前已被应用于TAIGA实验中选择伽马射线事件，与传统的Hillas方法相比取得了良好的选择质量。TAIGA数据分析中的另一项重要任务也通过CNN得以解决：与基于Hillas分析的传统方法相比，伽马射线能量估计显示出一定改进。此外，我们的软件针对图形处理单元（GPU）进行了完全重新开发，使得这两项任务的计算速度显著加快。所有结果均通过TAIGA蒙特卡洛软件的模拟数据获得；其实验验证预计在不久的将来实现。
引用
@article{arxiv.1907.10480,
title = {Deep Learning for Energy Estimation and Particle Identification in Gamma-ray Astronomy},
author = {Evgeny Postnikov and Alexander Kryukov and Stanislav Polyakov and Dmitry Zhurov},
journal= {arXiv preprint arXiv:1907.10480},
year = {2019}
}
备注
10 pages, 6 figures. arXiv admin note: text overlap with arXiv:1812.01551