[논문 리뷰] New method for Gamma/Hadron separation in HAWC using neural networks

T. Capistrán, I. Torres외 1명|arXiv (Cornell University)|2015. 08. 18.

Astrophysics and Cosmic Phenomena참고 문헌 5인용 수 9

한 줄 요약

이 논문은 HAWC 고에너지 방사선 관측소에서 감마/하드론 분리를 위한 연속적이고 신경망 기반의 방법을 제안하며, 기존의 이산화된 복합도 기법을 대체한다. 다층 전방향 퍼셉트론을 사용하여 다섯 가지 쇼워 형태 특징을 기반으로 학습시키며, 연속적인 출력 점수를 생성한다. 최적의 임계값 θ_NN = 0.96에서, 복합도 기법 대비 Q 요인을 36% 향상시키며, 시뮬레이션에서 감마 효율은 13% 높고, 하드론 효율은 30% 낮아진다. 또한 초창기 크랩 성운 데이터에서도 일관된 향상이 관찰된다.

ABSTRACT

The High Altitude Water Cherenkov (HAWC) gamma-ray observatory is located at an altitude of 4100 meters in Sierra Negra, Puebla, Mexico. HAWC is an air shower array of 300 water Cherenkov detectors (WCD's), each with 4 photomultiplier tubes (PMTs). Because the observatory is sensitive to air showers produced by cosmic rays and gamma rays, one of the main tasks in the analysis of gamma-ray sources is gamma/hadron separation for the suppression of the cosmic-ray background. Currently, HAWC uses a method called compactness for the separation. This method divides the data into 10 bins that depend on the number of PMTs in each event, and each bin has its own value cut. In this work we present a new method which depends continuously on the number of PMTs in the event instead of binning, and therefore uses a single cut for gamma/hadron separation. The method uses a Feedforward Multilayer Perceptron net (MLP) fed with five characteristics of the air shower to create a single output value. We used simulated cosmic-ray and gamma-ray events to find the optimal cut and then applied the technique to data from the Crab Nebula. This new method is tuned on MC and predicts better gamma/hadron separation than the existing one. Preliminary tests on the Crab data are consistent with such an improvement, but in future work it needs to be compared with the full implementation of compactness with selection criteria tuned for each of the data bins.

연구 동기 및 목표

• HAWC에서 감마/하드론 분리에 대한 이산화된 복합도 기법의 연속적이고 이산화되지 않은 대안을 개발하기 위해.
• 우주선 배경 오염을 줄여 감마선 소스 탐지의 유의미성을 높이기 위해.
• 신경망을 활용해 감마 및 하드론 이벤트 간 공기 샤워 전하 분포의 복잡한 형태적 차이를 모델링하기 위해.
• 몽테카를로 시뮬레이션과 크랩 성운으로부터의 초기 데이터를 사용하여 방법을 검증하기 위해.
• 향후 전체 이산화된 복합도 구현과의 비교를 가능하게 하기 위해.

제안 방법

• nHit, 전하 중심, 전하 분산, 그리고 두 개의 형태 파라미터를 포함한 다섯 가지 정규화된 쇼워 특징을 기반으로, 5-5-5-1 아키텍처의 피드포워드 다층 퍼셉트론(MLP)을 학습시킨다.
• 출력 점수 θ_NN는 1에 가까울수록 감마 유사 이벤트, 0에 가까울수록 하드론 유사 이벤트를 나타내는 연속적인 점수이다.
• 학습 데이터에서 Q 요인(ε_gamma / √ε_hadron)을 최대화하는 기반으로 최적의 임계값 θ_NN = 0.96를 선정한다.
• 감마 효율과 하드론 기각 능력을 균형 있게 유지하기 위해 Q 요인과 수신기 작동 특성(ROC) 곡선을 사용해 성능을 평가한다.
• 몽테카를로 시뮬레이션을 대상으로 테스트하고, 이산화된 복합도 기법과 동일한 이산화된 컷을 적용하여 비교한다.
• 초기 데이터 비교에서는 감마선 중심 위치를 가우스 방법으로 재구성한 크랩 성운 이벤트를 사용하며, 두 방법 모두 동일한 유의미성 지표를 적용한다.

실험 결과

연구 질문

• RQ1 연속적이고 신경망 기반의 분류기로는 HAWC에서 감마/하드론 분리에 있어 이산화된 복합도 기법을 능가할 수 있는가?
• RQ2 감마선 소스 탐지의 Q 요인을 최대화하는 데 최적의 신경망 출력 임계값은 무엇인가?
• RQ3 간단한 균일한 복합도 컷을 적용한 경우에 비해, 신경망 방법은 실제 크랩 성운 데이터에서 어떻게 성능을 내는가?
• RQ4 신경망 방법은 복합도 기법 대비 감마 효율과 하드론 기각 능력을 얼마나 향상시키는가?
• RQ5 특히 이산화된 컷 조정 없이도, 다양한 nHit 이산화 구간에서 신경망의 성능은 일관되게 유지되는가?

주요 결과

• 몽테카를로 시뮬레이션에서 신경망 방법은 Q 요인 4.663을 달성하여 복합도 기법의 Q 요인 3.432 대비 35.9% 향상되었다.
• θ_NN = 0.96에서 감마 효율은 13.1% 향상(53.6%에서 60.6%로), 하드론 효율은 30.7% 감소(2.4%에서 1.7%로)하였다.
• 크랩 성운의 초기 데이터 분석에서, NKG 재구성 방법을 사용할 경우 12.2% 높은 유의미성을, 가우스 방법을 사용할 경우 17.5% 높은 유의미성을 기록하였다.
• 최적의 임계값 θ_NN = 0.96는 Q 요인을 최대화하며, 감마 효율과 하드론 기각 능력 간의 유리한 트레이드오���을 제공한다.
• 신경망 출력 분포는 명확한 분리가 이루어져 있으며, 감마 이벤트는 1 근처에, 하드론 이벤트는 0 근처에 집중되어 있어 효과적인 분류가 이루어졌음을 확인한다.
• 다양한 지표에서 일관된 향상이 관찰되어, 기존의 이산화된 복합도 접근 방식에 대한 강력하고 확장 가능한 대안임을 시사한다.