面向高效基于机器学习的 X 射线成像探测器中宇宙射线背景消除：提升情境感知能力
天体物理仪器与方法
2024-07-25 v1
摘要
传统用于航天望远镜上 X 射线成像探测器的宇宙射线滤波算法，基于超过特定能量阈值的像素属性，运用 3x3 或 5x5 像素滑动窗口进行事件重建，可抑制至多 98% 的宇宙射线背景。然而，剩余未被抑制的背景仍构成对低表面亮度天体研究的显著障碍，而此类天体在高红移宇宙中尤为常见。传统滤波算法的主要局限在于忽略图像帧中存在的长程情境信息。这一问题在分析由宇宙射线与探测器本体相互作用产生的次级粒子信号时尤为突出。此类信号在仅考虑小型滑动窗口内的属性时，可能与 X 射线光子留下的能量沉积 indistinguishable。然而，信号在帧不同部位之间的空间与能量关联中包含额外信息，现代机器学习技术可访问这些信息。本文继续开发用于宇宙射线背景消除的基于机器学习的管线。我们的最新方法包含两个阶段：首先，利用帧分类神经网络创建类激活图（CAM），局部化帧内的所有事件；其次，在事件重建后，使用基于CAM特征的随机森林分类器区分 X 射线与宇宙射线特征。该方法在标准 0.3-10 keV 能量范围内，较传统滤波方法实现背景消除提升超过 40%，仅牺牲不足 2% 的 X 射线信号。我们的方法还提供便捷方式以调节宇宙射线消除阈值，以适应用户特定的科学需求。
引用
@article{arxiv.2407.16768,
title = {Towards efficient machine-learning-based reduction of the cosmic-ray induced background in X-ray imaging detectors: increasing context awareness},
author = {Artem Poliszczuk and Dan Wilkins and Steven W. Allen and Eric D. Miller and Tanmoy Chattopadhyay and Benjamin Schneider and Julien Eric Darve and Marshall Bautz and Abe Falcone and Richard Foster and Catherine E. Grant and Sven Herrmann and Ralph Kraft and R. Glenn Morris and Paul Nulsen and Peter Orel and Gerrit Schellenberger and Haley R. Stueber},
journal= {arXiv preprint arXiv:2407.16768},
year = {2024}
}
备注
To appear in SPIE Astronomical Telescopes + Instrumentation proceedings 2024