利用深度学习增强望远镜阵列表面探测器的事件几何重建
高能天体物理现象
2020-09-15 v2 天体物理仪器与方法
摘要
超高能宇宙线（UHECR）的极低通量使得轨道实验对其直接观测几乎不可能。因此，所有当前及规划中的 UHECR 实验均通过观测宇宙线粒子在大气中引发的广延空气簇射（EAS）来间接探测宇宙线。超高能 EAS 事件的最大统计量由表面站网络记录。本文考虑一种基于深度卷积神经网络重建原初粒子到达方向的新方法。该网络以一组相邻触发站的原始时间分辨信号作为输入。望远镜阵列（TA）表面探测器（SD）是由 507 个站点组成的阵列，每个站点包含两层面积为 m 的塑料闪烁体。模型训练使用蒙特卡洛数据集完成。结果表明，在蒙特卡洛模拟中，新方法的分辨率优于基于 EAS 前沿拟合的传统重建方法。本文讨论了网络架构的细节及其针对该特定任务的优化。
引用
@article{arxiv.2005.07117,
title = {Using Deep Learning to Enhance Event Geometry Reconstruction for the Telescope Array Surface Detector},
author = {D. Ivanov and O. E. Kalashev and M. Yu. Kuznetsov and G. I. Rubtsov and T. Sako and Y. Tsunesada and Y. V. Zhezher},
journal= {arXiv preprint arXiv:2005.07117},
year = {2020}
}
备注
Accepted by Machine Learning: Science and Technology