银河系星际伽马射线发射中离散成分的深学习模型
高能天体物理现象
2023-03-29 v1 星系天体物理
机器学习
高能物理 - 唯象学
摘要
来自H2星际气体小尺度（或离散）结构的显著点源成分可能存在于Fermi-LAT数据中，但对该发射的建模依赖于仅在天空有限区域可用的稀有气体示踪观测。识别这一贡献对于区分伽马射线点源与星际气体、以及更好地刻画扩展伽马射线源十分重要。我们设计并训练卷积神经网络，在这些稀有示踪观测不存在的区域预测该发射，并讨论该成分对Fermi-LAT数据分析的影响。特别地，我们评估了利用该方法通过精确建模数据中的点状结构来刻画Fermi-LAT银河系中心超出成分的前景，以帮助区分该超出是点状还是平滑本质。我们表明，在数据丰富区域内，深度学习可有效用于以这些稀有H2代用示踪所示踪的伽马射线发射的统计显著性建模，支持在尚未观测区域采用这些方法的前景。
引用
@article{arxiv.2206.02819,
title = {Deep Learning Models of the Discrete Component of the Galactic Interstellar Gamma-Ray Emission},
author = {Alexander Shmakov and Mohammadamin Tavakoli and Pierre Baldi and Christopher M. Karwin and Alex Broughton and Simona Murgia},
journal= {arXiv preprint arXiv:2206.02819},
year = {2023}
}
备注
Submitted. Companion paper to "Improved modeling of the discrete component of the galactic interstellar gamma-ray emission and implications for the Fermi--LAT galactic center excess"