利用深度学习识别超高能宇宙线的近邻源
摘要
我们提出了一种分析超高能宇宙线（UHECRs）到达方向的方法，该方法使用在 HEALPix 网格上训练的深度卷积神经网络定义的分类器。为说明该方法的高效性，我们将其用于估计具有均匀天球曝光的（轨道）探测器探测由近邻源引起的 UHECRs 大尺度各向异性的前景，并将结果与基于角功率谱的早期计算进行比较。为明确起见，假设 Kachelrieß、Kalashev、Ostapchenko 和 Semikoz（2017）的河外宇宙线与中微子最小模型，并考虑近邻活动星系核半人马座 A、M82、NGC 253、M87 和天炉座 A 作为 UHECRs 的可能源。我们证明，与基于角功率谱的方法相比，所提方法通过将所需探测到的最小 UHECRs 数量或最小可探测的来自源事件比例降低数倍，大幅提高了实验的灵敏度。我们还测试了神经网络针对不同大尺度银河系磁场模型以及 UHECRs 质量组成变化的鲁棒性，并考虑了存在两个近邻源或主导源非先验已知的情况。在所有情况下，除非测试模型与训练所用模型严重偏离，神经网络均表现出良好性能。该方法可立即应用于望远镜阵列、皮埃尔·奥格天文台及其他宇宙线实验的数据分析。
引用
@article{arxiv.1912.00625,
title = {Identifying nearby sources of ultra-high-energy cosmic rays with deep learning},
author = {Oleg Kalashev and Maxim Pshirkov and Mikhail Zotov},
journal= {arXiv preprint arXiv:1912.00625},
year = {2020}
}
备注
v2: a major extension of the 1st version, which is kept almost intact as sections 1-4; 21 pages v3: to be published in JCAP. Numbers in tables fixed, a few minor changes, conclusions unchanged. The code and trained models are available at https://github.com/okolo/ml_cr_aniso