[论文解读] New method for Gamma/Hadron separation in HAWC using neural networks

T. Capistrán, I. Torres+1 more|arXiv (Cornell University)|Aug 18, 2015

Astrophysics and Cosmic Phenomena参考文献 5被引用 9

一句话总结

该论文提出了一种基于神经网络的连续方法，用于HAWC伽马射线观测站中的伽马/强子分离，取代传统的分箱紧凑性技术。通过使用五个 shower 形貌特征训练的前馈多层感知机，该方法生成一个连续输出评分；在最优阈值 θ_NN = 0.96 下，其 Q 因子比紧凑性方法高出 36%，模拟中伽马效率提高 13%，强子效率降低 30%，初步的蟹状星云数据也显示出一致的性能提升。

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.

研究动机与目标

• 开发一种用于HAWC中伽马/强子分离的连续、无箱替代方法，以替代传统的分箱紧凑性方法。
• 通过减少宇宙射线背景污染，提高伽马射线源探测的显著性。
• 利用神经网络建模伽马和强子事件在空气簇射电荷分布上的复杂形态差异。
• 使用蒙特卡洛模拟和蟹状星云的初步数据验证该方法。
• 为未来与完整分箱紧凑性实现的对比做好准备。

提出的方法

• 使用架构为 5-5-5-1 的前馈多层感知机（MLP），在五个归一化的簇射特征（nHit、电荷质心、电荷方差以及两个形状参数）上进行训练。
• 网络输出一个连续评分（θ_NN），其中接近 1 的值表示伽马样事件，接近 0 的值表示强子样事件。
• 基于训练数据中对 Q 因子（ε_gamma / √ε_hadron）的最大化，选择最优阈值 θ_NN = 0.96。
• 使用 Q 因子和受试者工作特征（ROC）曲线评估性能，以平衡伽马效率与强子排斥能力。
• 在蒙特卡洛模拟上测试该方法，并与标准紧凑性方法使用分箱特定截断进行比较。
• 初步数据对比使用通过高斯法重建核心位置的蟹状星云事件，两种方法采用相同的显著性度量。

实验结果

研究问题

• RQ1 基于神经网络的连续分类器是否能在HAWC的伽马/强子分离中超越分箱紧凑性方法？
• RQ2 神经网络输出的最优阈值是什么，能最大化伽马射线源探测的Q因子？
• RQ3 与简化的均匀紧凑性截断相比，神经网络方法在真实蟹状星云数据上的表现如何？
• RQ4 与紧凑性方法相比，神经网络在伽马效率和强子排斥方面提升了多少？
• RQ5 在缺乏分箱特定调优的情况下，神经网络在不同 nHit 分箱中的性能是否保持一致？

主要发现

• 在蒙特卡洛模拟中，神经网络方法的 Q 因子达到 4.663，相比紧凑性方法的 Q 因子 3.432 提高了 35.9%。
• 在 θ_NN = 0.96 时，伽马效率提高 13.1%（从 53.6% 提高到 60.6%），强子效率降低 30.7%（从 2.4% 降低到 1.7%）。
• 在蟹状星云的初步数据分析中，使用 NKG 重建方法时，神经网络方法的显著性提高了 12.2%；使用高斯方法时，显著性提高了 17.5%。
• 最优阈值 θ_NN = 0.96 最大化了 Q 因子，并在伽马效率与强子排斥之间提供了有利的权衡。
• 神经网络输出分布显示出清晰的分离：伽马事件聚集在 1 附近，强子事件聚集在 0 附近，证实了有效的区分能力。
• 该方法在多个指标上均表现出一致的改进，表明其是当前分箱紧凑性方法的一种稳健且可扩展的替代方案。