[论文解读] A Bayesian Method for Air-Shower Reconstruction using Information Field Theory

Karen Terveer, Sjoerd Bouma+13 more|arXiv (Cornell University)|Feb 23, 2026

Astrophysics and Cosmic Phenomena被引用 0

一句话总结

简要：基于贝叶斯信息场理论（IFT）的框架，利用可微前向模型从 LOFAR 无线数据重建空气淋洗参数，实现 Xmax、能量、核心位置和到达方向的快速、不确定性量化推断。

ABSTRACT

The radio detection of extensive air showers provides a powerful method for studying the origin of high-energy cosmic rays. The Low-Frequency Array (LOFAR) offers unprecedentedly detailed measurements of the radio emission footprint. However, fully exploiting this information requires advanced reconstruction techniques. In this paper, we introduce a novel framework for air shower reconstruction based on Bayesian inference and Information Field Theory (IFT). Our method is built on a fully differentiable forward model of the radio signal, which incorporates a physical emission parameterization and a precise wavefront model. Additionally, we augment this physical model with Gaussian processes to account for systematic uncertainties in both the signal fluence and arrival timing. By leveraging gradient information, our approach enables efficient (three orders of magnitude acceleration w.r.t.\ the legacy method) and robust inference of the underlying physical shower parameters, such as primary energy and the depth of shower maximum, $X_ ext{max}$. This work provides not only point estimates but also a rigorous quantification of uncertainties. We achieve a resolution in $X_ ext{max}$ of $25\,\mathrm{g/cm^2}$ and a radiation energy resolution of $12\%$ on simulations for LOFAR.

研究动机与目标

• 通过射线探测改进对广义空气淋洗（EAS）的重建，以研究宇宙射线的起源和组成。
• 开发一个完全部分化的无线信号前向模型，整合物理辐射参数化和波前定时。
• 使用高斯过程为相关场建模，描述 fluence 和定时的系统性不确定性。
• 提供一个贝叶斯推断框架（IFT），在不确定性量化的同时推断淋洗参数及其完整后验分布。
• 在 LOFAR 数据与仿真上展示相对传统、以仿真为主的方法的性能提升。

提出的方法

• 建立一个可微前向模型 F(λ)，将物理淋洗参数映射到预测的数据观测量。
• 用 geoceLDF fluence 模型表示无线辐射，结合地磁和电荷过剩的贡献，并通过 D_Xmax 关系将 Xmax 作为输入纳入。
• 用双曲波前来建模到达时间，并允许 Xmax(time) 与 Xmax(fluence) 不同，采用高斯惩罚的解耦参数 ΔX_max^time。
• 保留 NKG 粒子模型用于验证和未来的无线–粒子联合分析，尽管本研究并未将其用于主要重建。
• 将相关场（高斯过程先验）用于 fluence 与定时的系统偏差，从而在保持参数核心物理 grounding 的同时对相关偏差进行边缘化。
• 在 NIFTy 框架内应用信息场理论（IFT），结合 MGVI/geoVI 变体，利用自动微分（JAX）实现高效、基于梯度的贝叶斯推断。
• 在淋洗平面坐标系下工作，输出到地面平面以实现鲁棒重建，并包含到地面坐标的变换。

实验结果

研究问题

• RQ1 完全可微前向模型是否能够实现基于梯度的贝叶斯推断，用于从无线数据中推断空气淋洗参数？
• RQ2 半参数模型（物理前向模型+相关场）在考虑系统性不确定性时，能在 Xmax、初级能量、核心位置和到达方向上给出多大程度的约束？
• RQ3 将 fluence 与定时信息结合是否能比仅使用 fluence 的方法提高重建精度与不确定性量化？
• RQ4 在 LOFAR 类数据下，使用该方法可实现的 Xmax 与辐射能量的分辨率和不确定性有多大？
• RQ5 相关场先验对推断的淋洗参数的鲁棒性与误差区间有何影响？

主要发现

• 该方法在 LOFAR 的仿真中实现了 Xmax 的 25 g/cm^2 分辨率以及辐射能量的 12% 分辨率。
• 基于梯度的推断比传统以仿真为主的方法快约三个数量级。
• 该框架提供淋洗参数（Xmax、Erad、核心位置、到达方向）的完整后验分布及其不确定性量化。
• 将相关场用于 fluence 与定时，可鲁棒处理系统性偏差，并通过边缘化噪声效应避免欠拟合或过拟合。
• 在贝叶斯 IFT 框架内联合使用定时与 fluence 数据，相较仅用 fluence 的分析能获得更多信息，并能重建更多事件。