Neurale netværk viser potentiale til at identificere gammastråler detekteret af Cherenkov-teleskoparrayet

Med Cherenkov Telescope Array (CTA), der i øjeblikket er under konstruktion, forskere håber at observere meget energiske gammastråler, der kan føre til opdagelsen af ​​nye objekter i og uden for vores galakse og endda optrevle mysteriet med mørkt stof. Imidlertid, at identificere disse gammastråler er ikke let. Forskere fra CTA-konsortiet forsøger nu at perfektionere det med neurale netværk trænet på Piz Daint-supercomputeren.

Efter færdiggørelsen i 2025, Cherenkov Telescope Array (CTA) vil være det største gamma-ray observation telescope array, der nogensinde er bygget. Mere end 100 teleskoper med diametre mellem 4 og 23 meter er ved at blive installeret på den nordlige og sydlige halvkugle, ved Roque de los Muchachos-observatoriet på den kanariske ø La Palma og i Atacama-ørkenen i Chile. Teleskoperne er designet til omfattende at optage lysglimt induceret af gammastråler, der rejser gennem kosmos, der rammer Jordens atmosfære. Gammastråler stammer fra voldsomme kosmiske begivenheder og er en billion gange mere energiske end synligt lys. De genereres af såkaldte "kosmiske partikelacceleratorer" såsom supernovaeksplosioner eller supermassive sorte huller, der fortærer omgivende stjerner, gas og støv.

Udvinding af gammastråler fra partikelbruser udgør en udfordring

Når gammastråler rammer jordens atmosfære, de interagerer med luftens atomer og molekyler for at skabe en partikelbruser, som for det meste producerer blå lysglimt kaldet Cherenkov-lys. Dette lys opsamles af det specialdesignede teleskops spejlsystem og fokuseres til ekstremt hurtige kameraer. Med disse data, forskere kan drage konklusioner om kilden til gammastrålerne, der kunne gøre det muligt at opdage hundredvis af nye objekter i vores egen galakse, Mælkevejen, og endda i stjernedannende galakser og supermassive sorte huller uden for den. Gammastrålerne detekteret af CTA kunne, blandt andet, også give en direkte signatur af mørkt stof, hvis eksistens er understøttet af indirekte observationer, men aldrig er blevet observeret direkte.

Billederne af disse kosmiske begivenheder indsamlet af CTA viser aflange ellipser, ifølge Etienne Lyard og hans kolleger fra Departementet d'Astronomie, Université de Genève, i deres seneste undersøgelse offentliggjort i Journal of Physics:Konferenceserie . Der er to slags partikler, der forårsager disse begivenheder:hadroner, som er de mest talrige; og partiklerne af interesse, de højenergifotoner kaldet gammastråler. "Forskere er mest interesserede i gammastråler, da de krydser det interstellare rum i en lige linje, mens hadroner, være ladede partikler, bøjning på grund af magnetiske felter, " siger Lyard.

Der er veletablerede procedurer til at skelne mellem gammastråler og hadroner; men for at være så sikker som muligt på, at kun gammastråler detekteres og evalueres, en hel del tvetydige begivenheder filtreres fra, hvilket reducerer instrumenternes samlede følsomhed. Alligevel, nogle gange identificeres hadron-begivenheder stadig falsk som gammastråler, som så forurener forsøget som baggrundsstøj.

Neurale netværk forbedrer følsomheden af ​​teleskoparray

For at forbedre diskriminationsproceduren mellem hadroner og gammastråler, og dermed observatoriernes følsomhed, Lyard og hans team har nu forsøgt at skelne dem fra hinanden ved hjælp af deep convolutional neural networks (CNN'er), trænet på CSCS-supercomputeren Piz Daint. De evaluerede CNN'ernes ydeevne i sammenligning med konventionelle metoder til at detektere gammastråler (Boostede Decision Trees) ved at bruge hændelser genereret med Monte Carlo-simuleringer, hvilken, ifølge forfatterne, kom tættest på de virkelige begivenheder. "Vores arbejde er et forsøg på at bruge neurale netværk fra computersyn, en slags maskinsyn, der behandler og analyserer billeder optaget af kameraer på en række forskellige måder og tilpasser dem til at arbejde på vores data, " siger Lyard. Og det viser sig, at under særlige forhold, CNN'erne udkonkurrerer klassiske teknikker.

Selvom der stadig er meget plads til forbedringer i CNNs arkitektur, forskerne er overbevist om, at disse og andre maskinlæringsmetoder kan hjælpe med at få det bedste videnskabelige output fra CTA-observatoriet. "Vi er overbeviste om, at disse tilgange i sidste ende vil blive normen, fordi den allerede udkonkurrerer de nyeste teknikker, mens der overhovedet ikke blev lagt nogen information om de fysiske processer i gang i analysen, " siger Lyard. "Efterhånden som vores forståelse af CNNs vokser, mere passende kriterier - såsom tidsudvikling af de langstrakte ellipser - vil blive brugt til at udføre analysen, og den samlede ydeevne vil helt sikkert blive bedre, også."