view in publisher's site

Application of deep learning methods to analysis of imaging atmospheric Cherenkov telescopes data

Ground based γ-ray observations with Imaging Atmospheric Cherenkov Telescopes (IACTs) play a significant role in the discovery of very high energy (E > 100 GeV) γ-ray emitters. The analysis of IACT data demands a highly efficient background rejection technique, as well as methods to accurately determine the position of its source in the sky and the energy of the recorded γ-ray. We present results for background rejection and signal direction reconstruction from first studies of a novel data analysis scheme for IACT measurements. The new analysis is based on a set of Convolutional Neural Networks (CNNs) applied to images from the four H.E.S.S. phase-I telescopes. As the H.E.S.S. cameras pixels are arranged in a hexagonal array, we demonstrate two ways to use such image data to train CNNs: by resampling the images to a square grid and by applying modified convolution kernels that conserve the hexagonal grid properties.The networks were trained on sets of Monte-Carlo simulated events and tested on both simulations and measured data from the H.E.S.S. array. A comparison between the CNN analysis to current state-of-the-art algorithms reveals a clear improvement in background rejection performance. When applied to H.E.S.S. observation data, the CNN direction reconstruction performs at a similar level as traditional methods. These results serve as a proof-of-concept for the application of CNNs to the analysis of events recorded by IACTs.

کاربرد روش‌های یادگیری عمیق در تجزیه و تحلیل تصاویر داده‌های تلسکوپ‌های چرنکوف جوی

مشاهدات اشعه گاما مبتنی بر زمینه با تصویربرداری تلسکوپ چرنکوف جوی (IACTs)نقش مهمی در کشف ساطع کننده‌های اشعه گاما با انرژی بسیار بالا (E، ۱۰۰ GeV)ایفا می‌کنند. تجزیه و تحلیل داده‌های IACT نیاز به یک تکنیک رد کردن پس‌زمینه بسیار کارآمد، و همچنین روش‌هایی برای تعیین دقیق موقعیت منبع آن در آسمان و انرژی اشعه گاما ثبت‌شده دارد. ما نتایجی را برای رد پس‌زمینه و بازسازی جهت سیگنال از اولین مطالعات یک طرح تحلیل داده جدید برای اندازه‌گیری‌های IACT ارائه می‌دهیم. تجزیه و تحلیل جدید براساس مجموعه‌ای از شبکه‌های عصبی کانولوشن (CNNs)است که برای تصاویری از چهار تلسکوپ فاز یک ح. ه. ای. اس به کار می‌رود. از آنجا که دوربین‌های H.E.S.S در یک آرایه شش‌ضلعی قرار گرفته‌اند، ما دو روش برای استفاده از چنین داده‌های تصویری برای آموزش CNN ها نشان می‌دهیم: با نمونه‌برداری مجدد تصاویر به یک شبکه مربعی و با استفاده از هسته‌های کانولوشن اصلاح‌شده که خواص شبکه شش‌ضلعی را حفظ می‌کنند. شبکه‌ها در مجموعه‌ای از رویداده‌ای شبیه‌سازی شده مونت کارلو آموزش داده شدند و در هر دو شبیه‌سازی و داده‌های اندازه‌گیری شده از آرایه H.E.S.S مورد آزمایش قرار گرفتند. مقایسه بین تحلیل سی ان ان با الگوریتم های سطح بالا نشان‌دهنده بهبود واضح در عملکرد رد پس‌زمینه است. هنگامی که از داده‌های مشاهده اچ. ای. اس. استفاده می‌شود، بازسازی مسیر سی ان ان در سطحی مشابه با روش‌های سنتی انجام می‌شود. این نتایج به عنوان اثبات مفهوم کاربرد CNN ها در تحلیل رویداده‌ای ثبت‌شده توسط IACTs عمل می‌کنند.
ترجمه شده با

سفارش ترجمه مقاله و کتاب - شروع کنید

95/12/18 - با استفاده از افزونه دانلود فایرفاکس و کروم٬ چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.