Rekonstrukcija događaja snimljenih atmosferskim čerenkovljevim teleskopima pomoću metoda dubokog učenja

diplomski rad

• Naslov (engleski): Reconstructing atmospheric Cherenkov telescope events using deep learning methods
• Autor: Andrija Župić
• Mentor: Ana Babić (mentor)
• Član povjerenstva: Saša Ilijić (član povjerenstva)
• Član povjerenstva: Krešimir Trontl (član povjerenstva)
• Član povjerenstva: Ana Babić (predsjednik povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Fakultet elektrotehnike i računarstva; Zagreb
• Datum i država obrane: 2022-07-13, Hrvatska
• Znanstveno / umjetničko područje, polje i grana: TEHNIČKE ZNANOSTI; Računarstvo

Sažetak

Visokoenergetsko gama zračenje nastaje u najekstremnijim uvjetima u svemiru, kao primjerice u blizini supermasivnih crnih rupa ili neutronskih zvijezda. Kada gama zraka vrlo visoke energije interagira s atmosferom, ona stvara pljusak sekundarnih čestica. Neke od njih su nabijene i superluminalne te u interakciji s atmosferom takve sekundarne čestice poizvode Čerenkovljevu svjetlost koju detektiraju atmosferski Čerenkovljevi teleskopi poput MAGIC-a. Nažalost za gama astronomiju, svemir je pun visokoenergetskih kozmičkih zraka koje interagiraju s atmosferom na vrlo sličan način kao i gama zrake. Kako je omjer detektiranog signala naspram šuma iznimno nizak, u standardnoj analizi koriste se metode strojnog učenja trenirane na parametriziranim slikama snimljenih događaja. Kao i svaka parametrizacija, ona podrazumijeva nepovratan gubitak informacija. Pristup koji koristi metode dubokog učenja, specifično konvolucijske neuronske mreže, mogao bi poboljšati točnost analize zbog izbjegavanja parametrizacije i umjesto toga učenja iz samih piksela slike. Ovim diplomskim radom predlaže se lanac analize za rekonstrukciju događaja snimljenih MAGIC teleskopima koji koristi konvolucijske neuronske mreže. Zadaci rekonstrukcije svode se na zadatak binarne klasifikacije (separacija signala i šuma) i dva zadatka regresije (rekonstrukcija energije i smjera primarne čestice). LeNet i AlexNet arhitekture su trenirane i testirane na očišćenim i neočišćenim podacima, te na jednokanalnim (informacija o naboju) i dvokanalnim (informacija o naboju i vremenu) podacima, što ukupno daje 8 treniranih modela po zadatku, ili 24 trenirana modela ukupno, a performanse svih modela prezentirane su u zadnjem poglavlju

Sažetak (engleski)

High-energy gamma radiation is created in the most extreme conditions in the universe, such as in those near a supermassive black hole or a neutron star. When very-high-energy gamma rays interact with the atmosphere, they create a shower of secondary particles. Some of these particles are charged and superluminal and in the interaction with the atmosphere, such secondary particles produce Cherenkov light that can be detected by imaging atmospheric Cherenkov telescopes like MAGIC. Unfortunately for gamma astronomy, the universe is full of high-energy cosmic rays that interact with the atmosphere in a very similar way to gamma rays. As the detected signal-to-noise ratio is extremely low, the standard analysis uses machine learning methods trained on parameterized images of recorded events. Like any parameterization, it implies an irreversible loss of information. An approach that uses deep learning methods, specifically convolutional neural networks, could improve the accuracy of the analysis by avoiding parameterization and instead learning from the raw image pixels themselves. This thesis proposes a chain of analysis for the reconstruction of events recorded by MAGIC telescopes using convolutional neural networks. The reconstruction tasks are reduced to a binary classification task (signal and noise separation) and two regression tasks (reconstruction of the energy and direction of the primary particle). LeNet and AlexNet architectures were trained and tested on cleaned and uncleaned data, as well as on single-channel (charge information) and two-channel (charge and time information) data, which gives a total of 8 trained models per task, or 24 trained models in total. The performances of all the models are presented in the last chapter.

• Ključne riječi: duboko učenje; konvolucijske neuronske mreže; visokoenergetska astrofizika; gama zračenje; atmosferski Čerenkovljevi teleskopi; MAGIC teleskopi
• Ključne riječi (engleski): deep learning; convolutional neural networks; high-energy astrophysics; gamma rays; imaging atmospheric Cherenkov telescopes; MAGIC telescopes
• Jezik: hrvatski
• URN:NBN: urn:nbn:hr:168:456649
• Studijski program: Naziv: Računarstvo; Vrsta studija: sveučilišni; Stupanj studija: diplomski; Akademski / stručni naziv: magistar/magistra inženjer/inženjerka računarstva (mag.ing.comp.)
• Vrsta resursa: Tekst
• Način izrade datoteke: Izvorno digitalna
• Prava pristupa: Zatvoreni pristup
• Datum i vrijeme pohrane: 2023-01-14 10:22:14