[论文解读] 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 13

一句话总结

本文提出一种基于卷积神经网络（CNN）的方法，用于TAIGA成像大气契伦科夫望远镜中的伽马射线能量估计与粒子识别，采用蒙特卡洛模拟数据。该方法在伽马射线/质子分离中实现了2.86的Q因子，能量估计精度优于传统的希拉斯分析方法，尤其在望远镜视 line 以外的 shower 中表现更优，且通过GPU加速使推理速度较CPU提升六倍。

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.

研究动机与目标

• 通过深度学习替代传统的基于希拉斯参数的方法，提升成像大气契伦科夫望远镜中伽马射线背景抑制能力。
• 在标准分析中采用的线性比例方法之外，进一步提升伽马射线能量估计的精度。
• 通过考虑TAIGA-IACT相机的六边形像素几何结构并增加训练样本量，优化CNN性能。
• 在不牺牲分类或回归质量的前提下，通过GPU实现加速推理。
• 在实验部署前，基于模拟数据验证该方法在TAIGA实验中的有效性。

提出的方法

• 使用CORSIKA和OPTICA-TAIGA蒙特卡洛软件生成的TAIGA-IACT设置下伽马射线和质子簇射图像，对CNN进行训练。
• 在CNN处理前后均应用图像清洗流程（核心像素与邻近像素阈值处理），并为清洗与未清洗图像分别建立独立的训练集。
• 通过将图像以60°为增量旋转，利用相机像素布局的六边形对称性，实施数据增强，从而增加有效训练样本量。
• 实现两种深度学习框架：PyTorch与TensorFlow，后者进一步针对GPU推理进行优化。
• 为粒子识别（二分类：伽马射线 vs. 质子）和能量回归（预测真实伽马射线能量）分别训练独立网络。
• 使用Q因子（ε_nuclei / √ε_bckgr）和能量估计的均方根误差（RMSE）评估性能，其中相机中心的角距离为关键变量。

实验结果

研究问题

• RQ1 CNN是否能在IACT数据的伽马/质子背景抑制中超越传统的基于希拉斯参数的方法？
• RQ2 利用六边形对称性进行的数据增强在粒子识别中对CNN性能的提升程度如何？
• RQ3 CNN能量估计的精度与传统方法相比如何，尤其是在簇射与望远镜角距离变化时的表现？
• RQ4 GPU加速是否能显著缩短推理时间而不降低预测质量？
• RQ5 训练样本量与网络架构对能量与粒子识别任务的稳定性与准确性有何影响？

主要发现

• 最佳CNN配置在使用图像清洗时，实现了2.86的Q因子用于伽马/质子分离，显著优于传统希拉斯方法（Q = 1.70）。
• 基于TensorFlow的CNN在能量估计中，PyTorch测试集的RMSE为7.82 TeV，TensorFlow为4.76 TeV，表明在相机中心角距离超过约1°的簇射中，其精度优于传统方法。
• 在包含60°旋转增强数据上训练的CNN实现了2.91的Q因子，证明数据增强显著提升了识别性能。
• CNN的GPU实现使推理时间较CPU缩短约六倍，且未损失分类或回归质量。
• 能量估计误差随与相机中心角距离的增加而上升，但CNN在1°以上距离时表现优于线性方法，尤其是在预测能量与图像尺寸比时。
• 本研究指出，考虑六边形像素几何结构并使训练样本量提升一个数量级，仍是进一步提升精度的关键机会。