神经网络作为 ultra-high 能量宇宙射线成分诊断工具

我们在此分析了利用神经网络作为诊断工具来研究 Auger 数据样本中质量成分的可能性。使用 AIRES 代码模拟了大气喷发，采用当前使用的两种 hadronic 相互作用模型：QGSJet 和 Sibyll。分别模拟了 photon 和 hadron 初始粒子，用于生成事件。根据位于阿尔马拉赫 Auger 站点的典型仪器和环境条件，使用 SAMPLE 代码模拟了地面阵列的输出参数。除了光子外，还模拟了氢、氦、碳、氧、镁、硅、钙和铁等天文物种。我们表明，主成分分析 alone 足以单独分离 photon 与 hadron 事件，但不能用于喷发事件的分类。后者需要更稳健的诊断工具。我们表明，神经网络在几乎按事件方式判别 proton 与铁事件方面具有相当大的判别能力。然而，在更现实的初始天文物种混合条件下，只能可靠地获得平均质量的统计估计。虽然未显式模拟混合事件，但我们表明，若在神经网络训练过程中引入 $X_{max}$ 形式的混合信息，可在质量判别分析中获得显著改进。