[論文レビュー] Deep Learning for Energy Estimation and Particle Identification in Gamma-ray Astronomy

Е. Постников, A. P. Kryukov+2 more|arXiv (Cornell University)|Jul 23, 2019

Astrophysics and Cosmic Phenomena参考文献 12被引用数 13

ひとこと要約

本稿では、TAIGA像空気チェレンコフ望遠鏡におけるガンマ線エネルギー推定および粒子同定のための畳み込みニューラルネットワーク（CNN）ベースの手法を提案する。モンテカルロシミュレーションデータを用いて訓練し、ガンマ線/陽子分離において2.86のQ係数を達成し、特に望遠鏡の視線から離れたシャワーに対して、従来のヒルラス解析を上回るエネルギー推定精度を実現した。GPUアクセラレーションによりCPU比で6倍の高速化が達成された。

ABSTRACT

Deep learning techniques, namely convolutional neural networks (CNN), have previously been adapted to select gamma-ray events in the TAIGA experiment, having achieved a good quality of selection as compared with the conventional Hillas approach. Another important task for the TAIGA data analysis was also solved with CNN: gamma-ray energy estimation showed some improvement in comparison with the conventional method based on the Hillas analysis. Furthermore, our software was completely redeveloped for the graphics processing unit (GPU), which led to significantly faster calculations in both of these tasks. All the results have been obtained with the simulated data of TAIGA Monte Carlo software; their experimental confirmation is envisaged for the near future.

研究の動機と目的

• 画像空気チェレンコフ望遠鏡におけるガンマ線バックグラウンド抑制を、従来のヒルラスパラメータに基づく手法の代わりにディープラーニングを用いて向上させること。
• 標準解析で用いられる線形比例法を超えて、ガンマ線エネルギー推定の精度を向上させること。
• TAIGA-IACTカメラの六角形ピクセル幾何構造を考慮し、トレーニングサンプル数を増加させることでCNN性能を最適化すること。
• 分類および回帰の品質を損なわせることなく、GPU実装による推論を高速化すること。
• 実験的導入の前に、シミュレーテッドデータ上で手法を検証すること。

提案手法

• CORSIKAおよびOPTICA-TAIGAモンテカルロソフトウェアを用いて、TAIGA-IACT設定のガンマ線および陽子シャワー画像をシミュレーションし、その画像を用いてCNNをトレーニングした。
• 画像クリーニング手順（コアおよび近隣ピクセルのしきい値処理）をCNN処理の前後ともに適用し、クリーニング済みおよびクリーニング未処理の画像のそれぞれに対して別々のトレーニングセットを用意した。
• カメラのピクセル配置の六角形対称性を活用するため、画像を60°刻みで回転させることでデータオーグメンテーションを実施し、有効なトレーニングサンプル数を増加させた。
• PyTorchおよびTensorFlowの2つのディープラーニングフレームワークを実装し、後者はGPU推論の最適化をさらに実施した。
• 粒子同定（ガンマ線対陽子の2値分類）とエネルギー回帰（真のガンマ線エネルギーの予測）のそれぞれに対して、別々のネットワークをトレーニングした。
• Q係数（ε_nuclei / √ε_bckgr）とエネルギー推定の平均二乗誤差（RMSE）を用いて性能を評価し、カメラ中心からの角度距離を重要な変数とした。

実験結果

リサーチクエスチョン

• RQ1 CNNは、従来のヒルラスベースの手法に比べ、IACTデータにおけるガンマ線/陽子バックグラウンドの分離性能を上回るか？
• RQ2 六角形対称性を活用したデータオーグメンテーションは、粒子同定におけるCNN性能をどの程度向上させるか？
• RQ3 シャワーの望遠鏡からの角度距離に応じて、CNNベースのエネルギー推定精度は従来手法と比べてどの程度優れているか？特にカメラ中心からの距離が離れるほどどうなるか。
• RQ4 GPUアクセラレーションにより、予測品質を損なわせることなく、推論時間を著しく短縮できるか？
• RQ5 トレーニングサンプル数とネットワークアーキテクチャの影響は、エネルギー推定および粒子同定タスクの安定性と精度にどのような影響を与えるか？

主な発見

• 画像クリーニングを適用した最良のCNN設定では、ガンマ線/陽子分離においてQ係数2.86を達成し、従来のヒルラス手法（Q = 1.70）を著しく上回った。
• TensorFlowベースのCNNを用いたエネルギー推定では、テストセットのRMSEがPyTorchで7.82 TeV、TensorFlowで4.76 TeVにまで低下し、カメラ中心からの距離が約1°を超えるシャワーに対して、従来手法を上回る精度を示した。
• 60°回転を含むオーグメンテーションデータでトレーニングしたCNNは2.91のQ係数を達成し、データオーグメンテーションが同定性能を顕著に向上させることを示した。
• CNNのGPU実装により、推論時間がCPU比で約6倍に短縮され、分類および回帰の品質に損なわれることなく実現された。
• エネルギー推定誤差はカメラ中心からの距離が離れるにつれて増加するが、1°を超える距離では、特に画像サイズに対するエネルギー比を予測する際、CNNは線形法に比べ優れた性能を示した。
• 本研究では、六角形ピクセル幾何構造の考慮と、トレーニングサンプル数を1桁分増加させることの重要性が特定され、今後の精度向上の鍵となる可能性がある。