[论文解读] Reconstruction of IACT events using deep learning techniques with CTLearn

D. Nieto, Tjark Miener+4 more|arXiv (Cornell University)|Jan 19, 2021

Astrophysics and Cosmic Phenomena参考文献 4被引用 12

一句话总结

本文提出了一种基于深度学习的全事件重建方法，用于成像大气契伦科夫望远镜（IACTs），采用开源的CTLearn框架。在200万次模拟的CTA事件上进行训练后，TRN-single-tel模型在伽马/强子分类任务中实现了84.8%的AUC，对全视场范围内的弥散伽马射线实现了20%以下的能量分辨率，展示了稳健的单镜面重建性能。

ABSTRACT

Arrays of imaging atmospheric Cherenkov telescopes (IACT) are superb instruments to probe the very-high-energy gamma-ray sky. This type of telescope focuses the Cherenkov light emitted from air showers, initiated by very-high-energy gamma rays and cosmic rays, onto the camera plane. Then, a fast camera digitizes the longitudinal development of the air shower, recording its spatial, temporal, and calorimetric information. The properties of the primary very-high-energy particle initiating the air shower can then be inferred from those images: the primary particle can be classified as a gamma ray or a cosmic ray and its energy and incoming direction can be estimated. This so-called full-event reconstruction, crucial to the sensitivity of the array to gamma rays, can be assisted by machine learning techniques. We present a deep-learning driven, full-event reconstruction applied to simulated IACT events using CTLearn. CTLearn is a Python package that includes modules for loading and manipulating IACT data and for running deep learning models with TensorFlow, using pixel-wise camera data as input.

研究动机与目标

• 开发一个灵活、高层级的深度学习框架，用于基于模拟契伦科夫望远镜数据的IACT全事件重建。
• 通过端到端深度学习，实现在单镜面IACT相机图像上对能量、方向和粒子类型的单镜面重建。
• 在全视场范围内评估模型对弥散伽马射线和质子引发事件的性能表现。
• 证明深度学习应用于全事件重建的可行性，为真实CTA数据的应用做好准备。
• 建立一个模块化、可扩展的流程，以支持未来的立体重建和多任务重建。

提出的方法

• TRN-single-tel模型采用带有残差连接和挤压-激励注意力机制的深度卷积神经网络。
• 通过双线性插值将IACT相机图像的像素数据从六边形网格映射到笛卡尔网格后输入模型。
• 采用20万批次的训练计划，独立训练分类、能量回归和方向重建任务。
• 数据按80%用于训练，20%用于测试，每项实验进行10次，使用不同的随机种子。
• 该框架利用TensorFlow，并与DL1-Data-Handler集成以实现数据加载和预处理。
• 通过CTLearn-optimizer包支持超参数优化。

实验结果

研究问题

• RQ1 深度学习模型是否能够在单镜面IACT模式下实现对伽马射线和宇宙射线事件的稳健全事件重建？
• RQ2 模型性能在视场内完全包含与部分扩展的簇簇事件之间有何差异？
• RQ3 使用单个IACT对弥散伽马射线事件可实现的能量分辨率和角分辨率分别是多少？
• RQ4 注意力机制和残差连接在多大程度上提升了分类和回归性能？
• RQ5 像CTLearn这样统一且可配置的深度学习框架，是否能够实现高效且可扩展的IACT事件重建？

主要发现

• TRN-single-tel模型在全视场测试集上的伽马/强子分类AUC达到0.848 ± 0.002，在0.5阈值下准确率为74.8%。
• 对于仅包含在视场内的事件，AUC提升至0.856 ± 0.001，准确率提升至75.6% ± 0.001，表明对良好包含的簇簇事件表现更优。
• 弥散伽马射线事件的能量分辨率低于20%，中位分辨率及16%-84%置信区间表现出稳健的推理能力。
• 模型在能量重建中表现出较低偏差，并实现了亚度量级的角分辨率，性能在视场中心区域进一步提升。
• 在10次使用不同随机种子的训练中结果保持一致，表明模型具有良好的稳定性与泛化能力。
• 该框架成功实现了在模拟CTA数据上的端到端训练与推理，且用户级配置需求极低。