利用射电观测量和监督机器学习进行逐事件原初质量鉴别的可行性
高能天体物理现象
2026-01-12 v1
摘要
在这项工作中，我们研究了仅使用射电观测量进行逐事件原初质量鉴别的可行性。尽管该分析不需要显式重建簇射极大值 (X_{max})，但其鉴别能力仍然源于射电观测量对广延大气簇射 (EAS) 纵向发展的敏感性。这种基于射电的方法对于像 GRAND 这样的纯射电实验可能特别相关。为了评估这一可行性，我们使用监督机器学习 (ML) 算法，即随机森林 (RF)，获得了鉴别准确度的保守上限。所使用的输入特征是峰值电场和谱斜率，它们具有互补的鉴别能力，以及天线到簇射轴的距离。RF 使用由 RDSim 框架中实现的快速射电发射模拟和简化探测器响应生成的大型事件集进行训练和测试。即使在按每个簇射自身的电磁能量进行归一化后，我们在所研究的天顶角范围内获得了 81% 到 96% 的鉴别准确度。由于分析包含了刻意保守的选择，例如对重建的电磁能量假设了 10% 的大不确定性，这些引用的数值应被解释为适用于可行性评估的保守上限。我们的结果表明，原则上，利用射电观测量进行逐事件原初质量鉴别是可行的。
引用
@article{arxiv.2601.05969,
title = {Feasibility of event-by-event primary mass discrimination using radio observables and supervised machine learning},
author = {Washington R. de Carvalho and Lech Wiktor Piotrowski},
journal= {arXiv preprint arXiv:2601.05969},
year = {2026}
}