优化 Wasserstein GAN 以用于 VERITAS 的 TeV 伽马射线探测
高能天体物理现象
2023-09-22 v1
摘要
甚高能（VHE，E>100 GeV）伽马射线的观测由成像大气切伦科夫技术（IACTs）实现。在这些能量下，伽马射线与大气相互作用产生电磁空气簇射级联，其具有独特的形态与时间特征，可被地面 IACT 相机观测到。然而，发生率显著更高的强子也以类似特征被成像，必须借助从图像中提取的精选参数加以区分。复杂深度学习模型的出现实现了一种替代性图像分析技术，已证明可通过改善背景抑制来提高伽马射线探测能力。本研究中，我们提出一种无监督 Wasserstein Generative Adversarial Network（WGAN，Wasserstein 生成对抗网络）框架，该框架在来自 VERITAS 观测站的真实事件归一化、未清洗的立体簇射图像上训练，以提取其潜空间分布，并针对模拟伽马射线事件对应推断潜空间进行优化。我们旨在开发数据驱动方法，以指导理解真实伽马射线图像提取特征，并将优化 WGAN 以计算每事件的“伽马性”概率预测。本海报展示朝向 WGAN 优化的进行中工作结果，包括条件参数与多任务学习的探索。
引用
@article{arxiv.2309.12221,
title = {Optimizing the Wasserstein GAN for TeV Gamma Ray Detection with VERITAS},
author = {Deivid Ribeiro and Yuping Zheng and Ramana Sankar and Kameswara Mantha},
journal= {arXiv preprint arXiv:2309.12221},
year = {2023}
}