Speaker
Description
Одной из основных задач исследования гамма источников с помощью атмосферных черенковских телескопов (АЧТ) является восстановление энергетического спектра испускаемых гамма квантов. В традиционном методе определения энергии гамма квантов физические характеристики восстанавливаются путем анализа параметров Хилласа, полученных из изображений ШАЛ на АЧТ и которые являются следствием статистических моментов изображения. Их число конечно и определяется эмпирическими соображениями. Мы представляем альтернативный метод обработки данных АЧТ, основанный на формировании другого набора существенных признаков с помощью нейронных сетей - автоэнкодеров. В качестве альтенативного набора существенных признаков предлагается использовать параметры скрытого пространства автоэнкодеров, которые, как и параметры Хилласа, содержат информацию об изображении в сжатой форме, но, в отличие от традиционного подхода, размерность скрытого пространства не фиксирована и может быть оптимизирована так, чтобы наилучшим образом восстанавливать исходные физические параметры гамма квантов.
Использование скрытого пространства атоэнкодер для выделения существенных признаков представляет особый интерес в случае анализа мультимодальных данных. В частности, мы предполагаем распространить предложенный метод для совместного анализа мальтимодальных данных, полученных с АЧТ и массива черенковских детекторов HiSCORE в эксперименте TAIGA.
В данной работе рассматривается метод восстановления энергии гамма квантов на примере Монте-Карло данных АЧТ для установки TAIGA путем выделения существенных признаков с помощью нейронных сетей типа автоэнкодер, исследуется зависимость качества восстановления энергии гамма квантов от размерности скрытого пространства и проводится сравнение с традиционным подходом восстановления энергии.
Работа выполнена при финансовой поддержке РНФ, грант № 24-11-00136
