[论文解读] A Neural Network-Based Monoscopic Reconstruction Algorithm for H.E.S.S. II

Thomas Murach, M. Gajdus+1 more|arXiv (Cornell University)|Sep 2, 2015

Astrophysics and Cosmic Phenomena参考文献 9被引用 17

一句话总结

本文提出了一种名为MonoReco的新颖单目重建算法，专为H.E.S.S. II实验设计，利用多层感知器神经网络，仅基于单个大型CT 5望远镜收集的数据，实现对超高能宇宙射线的能量、方向及粒子类型（伽马射线与强子）的重建。该方法在性能上与现有方法相当，但处理速度提升10倍，实现了实时现场分析，并将H.E.S.S.的探测灵敏度扩展至50 GeV的低能区，成功通过蟹状星云数据验证。

ABSTRACT

The H.E.S.S. experiment entered its phase II with the addition of a new, large telescope named CT 5 that was added to the centre of the existing array of four smaller telescopes. The new telescope is able to detect fainter air showers due to its larger mirror area, thereby lowering the energy threshold of the array from a few hundred GeV down to $\mathcal{O}(50\, extrm{GeV})$. Due to the power-law decrease of typical γ-ray and cosmic-ray spectra of astrophysical sources a majority of detected air showers are of low energies, thus being detected by CT 5 only, which motivates the need for a reconstruction algorithm based on information from CT 5 alone. By exploiting such monoscopic events the H.E.S.S. experiment in phase II becomes sensitive in an energy range not covered by H.E.S.S. I and in which the Fermi LAT runs out of statistics. Furthermore the chance of detecting transient phenomena like γ-ray bursts is increased significantly due to the large effective area of CT 5 at low energies. In this contribution a newly developed reconstruction algorithm for monoscopic events based on neural networks is presented. This algorithm uses multilayer perceptrons to reconstruct the direction and energy of the particle initiating the air shower and also to discriminate between gamma rays and hadrons. The performance of this algorithm is evaluated and compared to other existing reconstruction algorithms. Furthermore results of first applications of the algorithm to measured data are shown.

研究动机与目标

• 开发一种单目重建算法，仅使用H.E.S.S. II阶段中CT 5望远镜的单台设备数据，即可完全重建粒子的能量、方向及类型（伽马射线/强子）。
• 将H.E.S.S. II的能量探测灵敏度扩展至更低能量（低至约50 GeV），填补H.E.S.S. I与费米LAT之间的能量空白，尤其针对瞬变源。
• 通过显著降低每事件的CPU处理时间，实现H.E.S.S.数据的实时现场分析，相较现有双目重建方法大幅提升效率。
• 提升对低能空气簇射的探测灵敏度，特别是由蟹状星云等源激发的伽马射线簇射，这些簇射主要由CT 5单独探测。

提出的方法

• 该算法在TMVA框架内使用多层感知器（MLPs）对CT 5记录的切伦科夫光图像提取的Hillas参数进行多变量分析。
• 图像预处理包括通过要求至少两个相邻像素的光电子数达到5或10 p.e. 来抑制噪声，随后对像素数、总强度、标称距离及图像形状参数（ζ和Θ）施加筛选。
• 采用三种剪枝配置（标准、宽松、极宽松）以平衡灵敏度与背景抑制能力，剪枝条件包括像素数（>3）、强度（>35–60 p.e.）、标称距离（<1.15°）及图像形状（ζ > 0.55–0.9，Θ > 0.13°–0.23°）。
• 神经网络被训练用于重建初级粒子的能量、方向（赤经与赤纬），并分类事件为伽马射线或强子，输入为预处理后的Hillas参数。
• 通过7.2小时蟹状星云观测数据（wobble偏移0.5°，平均天顶角47°）对重建流程进行验证。
• 采用前向折叠技术推导微分能量谱，校正能量偏差与能量分辨率效应，并将结果与MAGIC合作组发布的谱进行比较。

实验结果

研究问题

• RQ1 基于神经网络的单目重建算法能否在仅使用单台望远镜数据的情况下，实现与双目方法相当的能量、方向及粒子类型重建性能？
• RQ2 仅使用CT 5望远镜时，可达到的最低探测能量阈值是多少？与H.E.S.S. I和费米LAT相比如何？
• RQ3 该算法能否实现H.E.S.S.数据的实时现场分析？与现有方法相比，处理速度提升了多少？
• RQ4 蟹状星云的重建微分能量谱与MAGIC合作组发布的谱相比如何？这说明了该算法的准确性如何？
• RQ5 该算法能否在低能区（特别是50–300 GeV范围）有效区分伽马射线事例与强子背景？

主要发现

• MonoReco算法在仅使用CT 5数据的情况下，实现了与现有双目方法相当的粒子能量、方向及伽马/强子分类性能，实现了单台望远镜的完整事件重建。
• 每5000个事件的平均CPU时间从~20秒（ImPACT方法）降低至0.8秒，实现了实时现场分析，支持快速源变异性检查。
• H.E.S.S. II的能量阈值降低至约50 GeV，显著扩展了对费米LAT统计能力下降区域的探测灵敏度。
• 蟹状星云的重建微分能量谱可用对数抛物线函数良好拟合，且在系统误差范围内与MAGIC合作组发布的谱一致。
• 使用反射背景法在蟹状星云方向观测到91σ的显著过剩，而OFF区域无显著过剩，证实了该算法的探测灵敏度与背景抑制能力。
• 天图显示一个位于已知蟹状星云位置的点源，无可见伪影，证实了方向重建的准确性。