利用机器学习方法基于 KASCADE 实验数据分析宇宙线质量组成
高能天体物理现象
2024-01-30 v1 天体物理仪器与方法
摘要
我们研究了从广延空气簇射实验数据重建高能宇宙线质量组成的问题。我们利用 KCDC 平台上 KASCADE 实验的公开数据与蒙特卡洛模拟，开发了若干机器学习方法，用于重建 1-100 PeV 能量范围内各初级原子核的能谱。我们估计了方法的不确定性，包括解卷积过程，并表明总体精度超过了 KASCADE 实验原始研究中所用方法的精度。
引用
@article{arxiv.2311.06893,
title = {Methods of machine learning for the analysis of cosmic rays mass composition with the KASCADE experiment data},
author = {M. Yu. Kuznetsov and N. A. Petrov and I. A. Plokhikh and V. V. Sotnikov},
journal= {arXiv preprint arXiv:2311.06893},
year = {2024}
}
备注
33 pages