利用深度学习方法从 IACT 图像中筛选伽马事件
天体物理仪器与方法
2024-01-31 v1 高能天体物理现象
机器学习
摘要
TAIGA 伽马射线天文台的成像大气切伦科夫望远镜（IACT）探测源自宇宙射线或伽马射线与大气相互作用产生的广延大气簇射（EAS）。由此，望远镜获得 EAS 的图像。将伽马射线图像从强子宇宙射线背景中区分出来的能力是这类探测器的主要特征之一。然而，在实际的 IACT 观测中，需要同时观测背景和伽马射线源。这种观测模式（称为摆动模式）会改变事件的图像，从而影响神经网络筛选的质量。因此，在这项工作中，我们展示了将神经网络（NN）应用于 TAIGA-IACT 的蒙特卡洛（MC）模拟图像进行分类任务的结果。我们考虑了摆动模式，并对图像进行了适配以便神经网络进行充分分析。同时，我们探索了几种神经网络结构，它们可以直接从图像或通过从图像中提取的 Hillas 参数对事件进行分类。此外，通过使用神经网络，我们利用 MC 模拟数据，在考虑了所有必要的图像修正后，评估了筛选稀有伽马事件的质量。
引用
@article{arxiv.2401.16981,
title = {Selection of gamma events from IACT images with deep learning methods},
author = {E. O. Gres and A. P. Kryukov and A. P. Demichev and J. J. Dubenskaya and S. P. Polyakov and A. A. Vlaskina and D. P. Zhurov},
journal= {arXiv preprint arXiv:2401.16981},
year = {2024}
}
备注
Version of article, submitted to journal