[论文解读] Inferring astrophysical X-ray polarization with deep learning

Nikita Moriakov, Ashwin Samudre+4 more|arXiv (Cornell University)|May 16, 2020

Particle Detector Development and Performance参考文献 14被引用 4

一句话总结

本文提出深度学习模型——具体而言，采用VGG-16集成模型进行偏振角估计，以及微调后的ResNet-34进行撞击点定位——以提升从IXPE数据中重建X射线轨迹的性能。这些模型在重建效率方面达到与当前最先进分析方法相当的水平，同时具备不确定性估计的优势，并可通过网络架构和预处理方法的改进实现未来性能的进一步提升。

ABSTRACT

We investigate the use of deep learning in the context of X-ray polarization detection from astrophysical sources as will be observed by the Imaging X-ray Polarimetry Explorer (IXPE), a future NASA selected space-based mission expected to be operative in 2021. In particular, we propose two models that can be used to estimate the impact point as well as the polarization direction of the incoming radiation. The results obtained show that data-driven approaches depict a promising alternative to the existing analytical approaches. We also discuss problems and challenges to be addressed in the near future.

研究动机与目标

• 解决当前分析方法在从IXPE数据重建X射线光子轨迹时的局限性，特别是其在低能事件上的表现不佳。
• 开发基于数据驱动的深度学习方法，以比现有方法更高的精度估计X射线光子的撞击点和偏振方向。
• 探索神经网络在提升重建效率以及在天体物理X射线偏振测量中实现不确定性量化的可行性。
• 识别当前IXPE深度学习实现中的关键挑战，包括次优的预处理方法以及在六边形传感器网格上使用非等变卷积。
• 通过多任务学习、六边形卷积和更优的模型校准，为未来改进奠定基础。

提出的方法

• 使用蒙特卡洛方法模拟了500,000张来自非偏振X射线源的光电子（PE）轨迹图像，标注了能量、撞击点坐标和偏振角。
• 通过将像素值归一化到[0,1]并以约2倍的因子将图像上采样至方形笛卡尔网格，对图像进行预处理以标准化输入尺寸。
• 使用交叉熵损失和带周期边界条件的角回归，训练一个M头VGG-16网络集成模型用于偏振角估计。
• 采用迁移学习，使用预训练的ResNet-34进行撞击点定位，仅微调最后一层，损失函数为均方误差（MSE）。
• 使用批量大小64、初始峰值学习率3e−2、权重衰减1e−3，并训练五轮，其中20%的训练数据用于验证。
• 在来自π/4偏振源、能量为4 keV的独立测试集（35,838个观测）上评估模型，使用RMSE评估撞击点性能，使用ε10/调制因子µ评估偏振性能。

实验结果

研究问题

• RQ1 深度学习模型是否能在估计X射线光子撞击点和偏振角方面优于或匹配当前分析方法的重建效率？
• RQ2 数据驱动方法在多大程度上改善了低能事件的重建，而这些事件在分析方法中表现不佳？
• RQ3 在深度学习模型中引入不确定性估计如何提升重建X射线偏振数据的可靠性和质量控制？
• RQ4 当前IXPE深度学习实现中的关键局限是什么，特别是关于图像预处理和卷积架构选择方面？
• RQ5 与单任务模型相比，能够联合预测撞击点和偏振方向的多任务学习框架是否能提升整体性能？

主要发现

• 深度学习模型在重建效率（ε10）方面与最先进分析方法相当，两种方法在捕捉偏振角的cos²调制特性方面表现相似。
• 撞击点定位模型在测试集上x方向的RMSE为7.807，y方向为7.368，表明空间重建精度较高。
• 偏振角估计模型的调制因子µ接近分析方法，证实其能够准确再现预期的偏振特征。
• 研究发现，当前的图像预处理（特别是从六边形网格到笛卡尔网格的2倍上采样）会扭曲轨迹的纵横比，可能降低性能。
• 作者指出，对六边形传感器数据使用传统卷积并非等变，提示使用六边形卷积或群卷积网络可能获得更优结果。
• 未来改进措施，如将撞击点坐标作为输入特征、采用六边形卷积，以及通过集成方法增强模型校准，有望进一步提升性能。