[論文レビュー] Modeling high energy cosmic rays mass composition data via mixtures of multivariate skew-t distributions

S. Riggi, Salvatore Ingrassia|arXiv (Cornell University)|Jan 7, 2013

Particle physics theoretical and experimental studies参考文献 25被引用数 5

ひとこと要約

本稿では、高エネルギー宇宙線シャワー観測量—$X_{\mathrm{max}}$ と $N_{\mu}$—をモデル化するための多変量スケューt分布の混合モデルを提案する。これにより、質量組成の決定とイベントごとの分類が向上する。この手法は、ハドロンモデルからの制約を組み込んだ解析的EMベースのフィッティングを用い、モデルの不一致や実験的分解能の影響に対しても、分類精度が約90%に達し、相対的組成の再構築誤差が±0.05以内に収まる。

ABSTRACT

We consider multivariate skew-t distributions for modeling composition data of high energy cosmic rays. The model has been validated with simulated data for different primary nuclei and hadronic models focusing on the depth of maximum Xmax and number of muons Nμ observables. Further, we consider mixtures of multivariate skew-t distributions for cosmic ray mass composition determination and event-by-event classification. With respect to other approaches in the field, it is based on analytical calculations and allows to incorporate different sets of constraints provided by the present hadronic models. We present some applications to simulated data sets generated with different nuclear abundances assumptions. As it does not fully rely on the hadronic model predictions, the method is particularly suited to the current experimental scenario in which evidences of discrepancies of the measured data with respect to the models have been reported for some shower observables, such as the number of muons at ground level.

研究の動機と目的

• 間接的シャワ観測量を用いた超高エネルギー宇宙線の質量組成決定の課題に取り組む。
• 現在の手法が完全にモンテカルロシミュレーションに依存しており、ハドロンモデルの不確実性に敏感であるという限界を克服する。
• ハドロンモデルからの制約を組み込みつつ、ミューオン数予測の不一致に対して頑健な柔軟な統計モデルを構築する。
• 統一的で解析的なフレームワークを用いて、平均組成の再構築とイベントごとの分類を両立させる。
• 異なる核種組成の仮定と汚染レベルの下で、シミュレーテッドデータを用いて手法を検証する。

提案手法

• シャワーフラクチュエーションに起因する非対称性と重い尾を捉えるために、$X_{\mathrm{max}}$ と $N_{\mu}$ の連続的分布を多変量スケューt分布でモデル化する。
• 異なる核種成分（軽い、中程度の、重い核種）を表すために、多変量スケューt分布の有限混合モデルを適用する。
• パラメータ推定のためのEMアルゴリズムを用い、成分の重み、位置、スケール、歪度の最適化を解析的解で実現する。
• ハドロンモデル（例：EPOS、QGSJET）からの制約を最適化プロセスに直接組み込み、成分の平均と分散構造をガイドする。
• 多変数拡張により、信号上昇時間やミューオン生成深さなどの追加観測量をモデルに組み込む。
• 実験的分解能を考慮するため、モンテカルロテンプレートの畳み込みまたは検出器間の相関構造の簡略化を実施する。

実験結果

リサーチクエスチョン

• RQ1 多変量スケューt混合モデルは、異なる一次核種に対して $X_{\mathrm{max}}$ と $N_{\mu}$ の連続的分布を正確に表現できるか？
• RQ2 汚染と分解能の変動下でも、相対的核種組成の再構築はどの程度正確に可能か？
• RQ3 ハドロンモデルの制約を組み込むことで、ミューオン数予測の不一致に対する頑健性はどの程度向上するか？
• RQ4 ニューラルネットワークなどの教師あり手法と比較して、イベントごとの分類性能はいかがなっているか？
• RQ5 不完全な分解能と複雑な組成混合を持つ実データに適用した場合でも、モデルの精度は維持できるか？

主な発見

• 本手法は、深刻な汚染下でも軽い核種と重い核種のグループに対して約90％の分類効率を達成し、ニューラルネットワークなどの教師あり手法と同等の誤差率を示す。
• 最小限の汚染下で理想条件の下では、相対的組成再構築のRMS誤差が±0.05以内に収まる。
• 高汚染下（例：データセットII）では中程度質量成分の性能が低下し（約40％の誤差率）、しかし軽い・重いグループの分類精度は90％以上を維持する。
• ハドロンモデルの制約を効果的に組み込むことで、誤ったモンテカルロシミュレーションに依存するリスクを低減できる。
• 実験的分解能の影響に対しても本手法は頑健であり、追加のシャワ観測量を最小限の変更でモデルに拡張可能である。
• 解析的EMフレームワークにより、非対称的かつ重い尾を持つ宇宙線シャワーに特徴的な複雑な分布に対しても、効率的かつ安定したフィッティングが可能である。