GRAPES-3 实验的深度学习宇宙射线能量重建流程

宇宙射线的质量无关能量重建对于理解其起源、加速和传播至关重要。初级能量的精确测量也可以带来更好的质量分类，并可能实现针对单个元素的能量依赖各向异性图。位于乌提的 GRAPES-3 实验由 400 个间距 8 米、覆盖面积 25000 平方米的闪烁体探测器阵列和一个由 3712 个正比计数器组成的专用μ子探测器构成，旨在进行此类测量。以前，在 GRAPES-3 数据分析框架中使用电子大小校准曲线来寻找初级能量，然而使用图神经网络可以建立显著更好的精度。因此，在这项工作中，我们实现了一个模块化和动态的基于 GNN 的重建算法，该算法自动化了特征映射。我们通过研究其潜在空间来展示模型是如何学习的，并表明在潜在空间中缩放度量可以进一步提高响应分辨率。提出了微调策略，并对不同微调模型的重建能量和偏差进行了全面比较，同时研究了不同质量组和簇射年龄的分辨率变化。