Evaluation of EAS directions based on TAIGA HiSCORE data using fully connected neural networks

📄 arXiv: 2502.13851v1 📥 PDF

作者: A. P. Kryukov, S. P. Polyakov, Yu. Yu. Dubenskaya, E. O. Gres, E. B. Postnikov, P. A. Volchugov, D. P. Zhurov

分类: astro-ph.IM, astro-ph.HE, cs.LG

发布日期: 2025-02-19

备注: The work was reported on the 8th International Conference on Deep Learning in Computational Physics (DLCP2025), June 19-21, 2024, Moscow, Russia (https://dlcp2024.sinp.msu.ru/). To bee published in Moscow University Physics Bulletin

期刊: Moscow Univ. Phys. 79 (Suppl 2), S724-S730 (2024)

DOI: 10.3103/S0027134924702199

💡 一句话要点

利用全连接神经网络评估TAIGA HiSCORE数据中的EAS方向

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 广延大气簇射 方向估计 神经网络 TAIGA实验 HiSCORE 伽马射线天文学 多层感知器

📋 核心要点

  1. 精确确定广延大气簇射方向对于伽马射线天文学至关重要，现有方法在精度上仍有提升空间。
  2. 论文提出一种基于全连接神经网络的两阶段算法，利用HiSCORE探测器阵列数据进行簇射方向估计。
  3. 实验结果表明，该方法能够将方向估计的平均误差降低到0.25度以下，显著提升了精度。

📝 摘要（中文）

广延大气簇射（EAS）的方向可用于确定伽马射线的来源，并在估计初级粒子的能量方面起着重要作用。TAIGA实验中HiSCORE非成像切伦科夫探测器阵列的数据，记录了光电子的数量和探测时间，可以高精度地估计簇射方向。本文使用在蒙特卡洛模拟的TAIGA HiSCORE伽马射线数据上训练的人工神经网络来获得簇射方向的估计。该神经网络是具有跳跃连接的多层感知器，使用来自多个HiSCORE站的部分数据作为输入；通过神经网络从多个单独的估计中得出综合估计。我们应用了一种两阶段算法，其中第一阶段获得的估计用于转换输入数据并改进估计。最终估计的平均误差小于0.25度。该方法将用于TAIGA实验中使用的多种类型探测器数据的多模态分析。

🔬 方法详解

问题定义：论文旨在解决利用TAIGA HiSCORE实验数据精确估计广延大气簇射（EAS）方向的问题。现有方法在利用非成像切伦科夫探测器阵列数据进行方向估计时，精度仍有提升空间，尤其是在复杂的多模态数据分析中，需要更精确的方向信息来确定伽马射线源。

核心思路：论文的核心思路是利用深度学习方法，特别是全连接神经网络，直接从HiSCORE探测器阵列记录的光电子数量和探测时间数据中学习簇射方向。通过训练神经网络来拟合复杂的非线性关系，从而提高方向估计的精度。此外，采用两阶段算法进一步优化估计结果。

技术框架：整体框架包含数据预处理、神经网络模型构建、训练和两阶段方向估计。首先，对HiSCORE数据进行预处理，提取光电子数量和探测时间等特征。然后，构建具有跳跃连接的多层感知器（MLP）神经网络。接着，使用蒙特卡洛模拟的伽马射线数据训练神经网络。最后，应用两阶段算法，第一阶段得到初步方向估计，用于转换输入数据，第二阶段进一步优化估计结果。

关键创新：论文的关键创新在于：1）将深度学习方法应用于EAS方向估计，直接从原始探测器数据中学习特征；2）采用具有跳跃连接的MLP网络，增强了网络的表达能力；3）提出了一种两阶段算法，利用第一阶段的估计结果来改进输入数据，从而提高最终估计的精度。

关键设计：神经网络采用多层感知器结构，包含多个全连接层，并使用跳跃连接来缓解梯度消失问题。输入数据包括来自多个HiSCORE站的部分数据。损失函数采用均方误差（MSE）来衡量估计方向与真实方向之间的差异。两阶段算法中，第一阶段的估计结果被用于坐标变换，将输入数据转换到以初步估计方向为中心的坐标系中，从而简化了第二阶段的学习任务。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，该方法能够将EAS方向估计的平均误差降低到0.25度以下。相较于传统方法，该方法在精度上有显著提升。两阶段算法的引入进一步提高了估计的准确性。该结果为TAIGA实验的多模态数据分析提供了有力支持，并为未来的宇宙射线研究奠定了基础。

🎯 应用场景

该研究成果可应用于高能天体物理领域，例如伽马射线天文学。精确的EAS方向估计有助于确定伽马射线源，研究宇宙射线的起源和传播机制。此外，该方法可以推广到其他类型的探测器数据，实现多模态数据融合，提升TAIGA实验的整体性能。未来，该技术有望应用于更大规模的宇宙射线探测实验。

📄 摘要（原文）

The direction of extensive air showers can be used to determine the source of gamma quanta and plays an important role in estimating the energy of the primary particle. The data from an array of non-imaging Cherenkov detector stations HiSCORE in the TAIGA experiment registering the number of photoelectrons and detection time can be used to estimate the shower direction with high accuracy. In this work, we use artificial neural networks trained on Monte Carlo-simulated TAIGA HiSCORE data for gamma quanta to obtain shower direction estimates. The neural networks are multilayer perceptrons with skip connections using partial data from several HiSCORE stations as inputs; composite estimates are derived from multiple individual estimates by the neural networks. We apply a two-stage algorithm in which the direction estimates obtained in the first stage are used to transform the input data and refine the estimates. The mean error of the final estimates is less than 0.25 degrees. The approach will be used for multimodal analysis of the data from several types of detectors used in the TAIGA experiment.