基于模拟空气喷流轮廓的深层学习超高能宇宙射线质量重建前景

了解超高能宇宙射线的质量组成对于理解其来源至关重要；然而，当前方法在事件级分辨率上存在局限。凭借荧光望远镜对 shower 纵向轮廓的测量，存在通过机器学习(ML)利用 $X_{max}$ 之外的更多信息以改善这种情况的机会。我们报告了首个针对从模拟 extensive air shower 纵向能量沉积轮廓直接预测初始质量($\ln{A}$)的深度学习神经网络方法研究。我们在使用CONEX和EPOS-LHC生成的模拟 shower 上进行训练和验证，这些 shower 覆盖A=1到61的核种，以$\ln{A}$均匀抽样。经过尺度调整后，我们的网络在$\ln{A}$中实现的最大偏差小于0.4，分辨率在1.5（质子）和1（铁）之间，对应于质子-铁 Merit Factor为2.19（AUC=0.976）。我们将其与在相同数据中提取的 profile-shape 参数($X_{max}$, $E_{cal}$, $R$, 和 $L$)训练的简单ML模型进行基准测试。我们发现，即使是简单的模型也能显著超过已发布的基准，用于这些可观测量的组合，表明即使仅针对标准 profile-shape 参数应用ML方法也能显著提高可用质量灵敏度。CNN超越了这个强基准，而且这种性能在使用Sibyll-2.3d hadronic interaction model 生成的仿真数据上进行cross-prediction时仅轻微下降，表明其对模型选择具有鲁棒性。该网络还在广泛的噪声条件下保持其性能。消融研究进一步表明，完整的 profile 包含的组成信息未被GH参数化捕获，而CNN的强性能表明，这些信息应可在真实事件中被解析。