利用深度学习剔除热噪声以提升 ARIANNA 探测器的灵敏度
天体物理仪器与方法
2022-05-09 v3
摘要
ARIANNA 实验是一个 Askaryan 探测器，旨在记录南极冰中中微子相互作用引发的射电信号。由于高能处（）中微子通量较低，物理产出受限于统计量。因此，灵敏度的提升可显著改善数据解释，并提供探测新参数空间的能力。触发阈值的幅度受限于对不可避免的热噪声涨落触发率的限制。我们提出一种实时热噪声剔除算法，可降低触发阈值，与当前 ARIANNA 能力相比，将中微子灵敏度提升至最多两倍（取决于能量）。我们实现了一个基于卷积神经网络（CNN）的深度学习判别器，用于实时识别并去除热事件。我们描述了一种在 MC 数据上训练的 CNN，它运行于当前 ARIANNA 微计算机上，在热噪声剔除因子为 时保留 95% 的中微子信号，而模板匹配方法在相同信号效率下仅达到 。随后在实验室测量中通过将生成的类中微子信号脉冲与热噪声直接输入 ARIANNA 数据采集系统对结果进行验证。最后，使用同一 CNN 对宇宙射线事件进行分类以确保其不被剔除。该网络将 104 个宇宙射线事件中的 102 个分类为信号。
引用
@article{arxiv.2112.01031,
title = {Improving sensitivity of the ARIANNA detector by rejecting thermal noise with deep learning},
author = {ARIANNA Collaboration and A. Anker and P. Baldi and S. W. Barwick and J. Beise and D. Z. Besson and S. Bouma and M. Cataldo and P. Chen and G. Gaswint and C. Glaser and A. Hallgren and S. Hallmann and J. C. Hanson and S. R. Klein and S. A. Kleinfelder and R. Lahmann and J. Liu and M. Magnuson and S. McAleer and Z. M. Meyers and J. Nam and A. Nelles and A. Novikov and M. P. Paul and C. Persichilli and I. Plaisier and L. Pyras and R. Rice-Smith and J. Tatar and S. -H Wang and C. Welling and L. Zhao},
journal= {arXiv preprint arXiv:2112.01031},
year = {2022}
}
备注
Affiliation update. 23 pages, 11 figures, 1 table