Lateral density and arrival time distributions of Cherenkov photons in extensive air showers: a simulation study
我们利用CORSIKA模拟软件包研究了大范围空气簇射中切伦科夫光子的密度和到达时间分布的一些特征。本研究的主要目的是观察强子相互作用模型对Cherenkov光子的产生模式与簇射核距离的关系。这些研究在地面$γ$ -射线天文学中非常重要，可以有效地抑制巨大的宇宙线背景，其中大气切伦科夫技术在几百GeV到几TeV的能量范围内被广泛使用。我们发现，对于所有的初级粒子，切伦科夫光子的密度分布都服从负指数函数，其系数和斜率随初级粒子的类型、能量和相互作用模型组合的类型而不同。而切伦科夫光子的到达时间分布模式遵循形式为$t (r) = t_{0}e^{Γ/r^λ}$的函数，函数参数取值不同。强子相互作用模型组合对$γ$射线原色的密度和到达时间分布没有显著影响。然而，对于强子簇射，在不同的条件下，模型组合的影响是显着的。
2015-02-20 astro-ph.HE astro-ph.IM hep-ex
Investigations of the Systematic Uncertainties in Convolutional Neural Network Based Analysis of Atmospheric Cherenkov Telescope Data
通过使用卷积和递归神经网络的机器学习是改善成像大气切伦科夫望远镜的背景抑制性能的一个有前途的途径。然而，对于科学分析来说，至关重要的是，它们的性能在各种观测条件和仪器状态下保持稳定。我们研究卷积递归网络的稳定性，将其应用于玩具蒙特卡罗模拟的切伦科夫望远镜阵列的背景抑制。然后，我们在模拟中改变一系列的观察和仪器参数。一般来说，大多数系统分类的水平并不比传统分析高出多少。然而，发现神经网络预测对相机内的噪声水平有很强的依赖性，在非常嘈杂的环境中，伽马射线接受率的差异高达50%。从这些研究中观察到的性能差异可以清楚地看出，当在切伦科夫望远镜观测中使用此类网络进行背景抑制时，必须在最终分析的训练步骤中考虑这些观测效应。
2022-03-10 astro-ph.HE astro-ph.IM
Application of Deep Learning methods to analysis of Imaging Atmospheric Cherenkov Telescopes data
利用成像大气切伦科夫望远镜（IACTs）进行的地面伽马射线观测在发现极高能（E > 100 GeV）伽马射线发射体方面发挥着重要作用。IACT数据的分析需要一种高效的背景剔除技术，以及准确确定所记录伽马射线的能量及其源在天空中的位置的方法。我们目前的背景抑制和信号方向重建的一种新的数据分析计划IACT测量的第一次研究的结果。新的分析是基于一组卷积神经网络（CNN）应用于四个H.E.S.S.的图像。第一阶段望远镜作为H.E.S.S.摄像机像素以六边形阵列排列，我们演示了两种使用此类图像数据来训练CNN的方法：通过将图像重新排列到正方形网格和通过应用保留六边形网格属性的修改的卷积核。这些网络在蒙特卡洛模拟事件集上进行了训练，并在H.E.S.S.的模拟和测量数据上进行了测试。阵CNN分析与当前最先进算法之间的比较揭示了背景抑制性能的明显改善。当应用于H.E.S.S.通过对观测数据的分析，CNN方向重建以与传统方法类似的水平执行。这些结果作为CNN应用于IACT记录事件分析的概念验证。
2018-03-28 astro-ph.IM
Parameterisation of lateral density and arrival time distributions of Cherenkov photons in EASs as functions of independent shower parameters for different primaries
用CORSIKA程序模拟了100 GeV ~ 100 TeV能量范围内广泛空气簇射（EASs）中切伦科夫光子的横向密度和到达时间分布。在此基础上，得到了不同观测高度、天顶角从0 $^\circ$到40 $^\circ$入射的初级$γ$射线光子、质子和铁核的近似函数。这样的参数化是重要的初级粒子识别，重建的簇射观测值，从而更有效地解开的$γ$射线簇射的强子簇射。从我们的参数化分析中，我们发现，即使横向密度的几何形状（$ρ_{ch}$）和到达时间（$t_{ch}$）分布对于特定能量处的不同原色是不同的（$E$），在特定的入射角（$θ$）和在特定的观察高度在从显示核（$H$）到给定距离的距离上，分布分别遵循相同的数学函数$ρ(E,R,θ,H) = a E^{b}\exp[-\{c R + (θ/d)^{2}-f H\}]$和$t(E,R,θ,H) = l E^{-m}\exp(n/R^{p})(θ^q+s)(u {H}^2+v)$，但是具有不同的函数参数值。
2018-07-25 astro-ph.HE astro-ph.IM
Deep learning with photosensor timing information as a background rejection method for the Cherenkov Telescope Array
University of Oxford（牛津大学）；Aix-Marseille Universite（艾克斯-马赛大学）；Max-Planck-Institut für Kernphysik（马克斯·普朗克核物理研究所）；DESY（德国电子同步加速器研究所）；CIEMAT（西班牙能源、环境与技术研究中心）；Université de Genève（日内瓦大学）
新的深度学习技术为成像大气切伦科夫望远镜（IACT）提供了有前途的新分析方法，例如即将到来的切伦科夫望远镜阵列（CTA）。特别是，卷积神经网络（CNN）的使用可以提供一种直接的事件分类方法，该方法使用切伦科夫簇射图像中包含的全部信息，绕过Hillas参数化图像的需要，并允许快速处理数据。该领域中的现有工作已经利用来自IACT相机光电倍增管的积分电荷的图像，然而，大多数当前和下一代IACT相机具有在触发之后读出整个光电传感器波形的能力。由于来自广泛空气簇射（EAS）的切伦科夫光子到达相机平面的时间取决于其发射的高度和距离望远镜的影响距离，这些波形包含可能对IACT事件分类有用的信息。在这项概念测试模拟研究中，我们研究了使用这些相机像素波形与新的深度学习技术作为背景抑制方法的潜力，以对抗质子和电子诱导的EAS。我们发现，利用它们的信息的一种方法是创建一组七个额外的波形参数的二维像素图，与集成的电荷图像一起输入机器学习算法。虽然我们最终发现，对电子的唯一分类功率是基于事件的方向，基于定时信息的方法似乎优于类似的基于电荷的方法，用于伽马/强子分离。我们还回顾了在其他天体粒子物理实验中使用深度学习和定时信息相结合的事件分类方法。
2021-03-10 astro-ph.HE astro-ph.IM cs.LG
Gamma/Hadron Separation in Imaging Air Cherenkov Telescopes Using Deep Learning Libraries TensorFlow and PyTorch
在这项工作中，我们比较了两个开源机器学习库PyTorch和TensorFlow，作为拒绝成像空气切伦科夫望远镜（IACT）检测到的强子背景事件的软件平台。利用蒙特卡罗模拟对TAIGA-IACT望远镜的背景抑制质量进行了评估。这两个库提供的各种神经网络算法可以很容易地在各种类型的数据上进行测试，这对于各种成像空气切伦科夫实验是有用的。这项工作是Astroparticle.online项目的一个组成部分，该项目与TAIGA和KASCADE实验合作，欢迎任何天体粒子实验加入。
2018-12-04 astro-ph.IM
Background rejection method for tens of TeV gamma-ray astronomy applicable to wide angle timing arrays
一个“膝状”近似的切伦科夫光横向分布函数，这是我们以前开发的，现在被用于高能量（数十和数百TeV）伽马射线天文学的背景抑制方法的实际任务。在这项工作中，我们实现这种技术的HiSCORE广角定时阵列组成的切伦科夫光探测器的间距为100米，覆盖0.2公里$^2$目前和5公里$^2$在未来。然而，它可以应用于其他类似的阵列。我们还表明，应用多变量的方法（其中3个参数的膝盖近似），使我们能够达到高水平的背景拒绝，但它强烈依赖于命中检测器的数量。
2017-02-24 astro-ph.HE astro-ph.IM physics.data-an
A simulation study on few parameters of Cherenkov photons in extensive air showers of different primaries incident at various zenith angles over a high altitude observation level
本文研究了不同能量和不同天顶距的$γ$射线、质子和铁等初级粒子在广泛空气簇射（EAS）中产生的切伦科夫光子的横向密度、到达时间和角位置分布。本研究是我们早期工作\cite{Hazarika}的扩展，涵盖了广泛的能量范围的地基$γ$射线天文学与广泛的天顶距（$\le 40^\circ$）的初级粒子，以及扩展到研究角分布模式的切伦科夫光子在EAS。这种类型的研究是重要的区分$γ$射线发起的阵雨强子阵雨在地面的$γ$射线天文学，其中大气切伦科夫技术（ACT）正在使用。重要的是，这样的研究提供了一般的$γ$射线和强子簇射的性质的洞察力。在这项工作中，CORSIKA 6.990模拟代码用于生成EAS。与文献\cite{Hazarika}的情况类似，本文还发现，当初始粒子的类型、能量和天顶距的函数参数取不同值时，切伦科夫光子的横向密度分布和到达时间分布几乎分别与函数$ρ_{ch}(r) = ρ_{0}\;e^{-βr}$和$t_{ch}(r) = t_{0}e^{Γ/r^λ}$一致。切伦科夫光子相对于簇射轴的角位置分布随初始类型、能量和天顶距的不同而呈现出不同的特征。
2018-03-10 astro-ph.IM
Prospects for the Use of Photosensor Timing Information with Machine Learning Techniques in Background Rejection
机器学习（ML）技术的最新发展为天体粒子物理实验中的高速成像提供了一种有前途的新分析方法，例如成像大气切伦科夫望远镜（IACT）。特别是，使用新的机器学习技术的定时信息提供了一种新的方法，用于事件分类。该领域的先前工作利用了来自IACT相机光电倍增管的积分电荷的图像，但是大多数当前和即将到来的IACT相机具有在触发之后读出整个光电传感器波形的能力。由于切伦科夫光子从广泛的空气淋浴（EAS）在相机平面的到达时间取决于其发射的高度，这些波形包含IACT事件分类有用的信息。在这项工作中，我们研究了将这些波形与ML技术结合使用的可能性，并发现利用它们的信息的一种非常有效的方法是创建一组七个额外的波形参数二维直方图，这些波形参数将与集成电荷图像一起输入机器学习算法。这似乎优于仅使用这些新的ML技术与单独的波形积分电荷。我们还在其他实验的背景下研究了这些基于时间的ML技术。
2019-07-10 astro-ph.IM
Deep unsupervised domain adaptation applied to the Cherenkov Telescope Array Large-Sized Telescope
本文针对深度学习模型在切伦科夫望远镜阵列真实数据中遭遇领域偏移的问题，将无监督领域自适应方法引入最先进的事件重建模型，有效减少领域差异并提升了性能。
2023-08-24 astro-ph.IM
The Topo-trigger: a new concept of stereo trigger system for imaging atmospheric Cherenkov telescopes
成像大气切伦科夫望远镜（IACT），例如大型大气伽马射线成像切伦科夫（MAGIC）望远镜，努力达到尽可能低的能量阈值。在这样做时，触发系统是一个关键因素。降低触发阈值受到环境光（所谓的夜空背景（NSB））产生的意外触发的快速增加的阻碍。在本文中，我们提出了一个拓扑触发器，被称为拓扑触发器，拒绝事件的基础上，他们在望远镜相机的相对取向。我们在MAGIC望远镜中模拟和测试了触发选择算法。该算法使用蒙特卡罗模拟进行了测试，并显示出85%的意外立体触发的拒绝，同时保留99%的伽马射线。该触发系统的全面实施将在能量阈值处实现10%至20%的收集面积增加。仪器的分析能量阈值预计将降低约8%。在使用当前触发器配置获取的真实MAGIC数据上测试选择算法，未发现类似$γ$的事件丢失。
2016-03-14 astro-ph.IM
Nature of the low-energy, γ-like background for the Cherenkov Telescope Array
即将到来的切伦科夫望远镜阵列（CTA）项目预计将为切伦科夫望远镜在低能（<~100 GeV）范围内提供前所未有的灵敏度。在这个能量范围内，大多数剩余的背景是由错误识别的强子簇射造成的。为了充分利用望远镜系统的潜力，值得寻找进一步改进γ/强子分离的现有分析方法的方法。我们通过识别主要由π0（或另一种中性介子）衰变的单电磁子级联或双电磁子级联组成的事件，研究了计划中的CTA-North阵列的背景成分。我们应用CTA的标准模拟链和最先进的分析链来评估标准分析拒绝此类事件的潜力。模拟结果表明，这种单一的subcascade背景CTA的主导作用，能量高达70 GeV。我们表明，一个自然的方式拒绝这样的事件源于一个移位的位置的淋浴最大值，CTA使用的标准的立体重建方法已经利用了大部分预期的分离。
2017-10-19 astro-ph.IM
Cherenkov Tau Shower Earth-Skimming Method for PeV-EeV Tau Neutrino Observation with Ashra
本文描述了一种利用地球上τ中微子相互作用产生的衰变τ的空气簇射产生的切伦科夫光观测PeV-EeV τ中微子的方法。为了利用掠地τ中微子探测技术实现中微子天文学，由于以下问题，高精度地确定到达方向是关键：（1）通过识别源自地球表面内的那些顶点来明确识别中微子;（2）识别非常高能量的中微子源。Ashra探测器使用新开发的集光器，实现了42度直径的视场和角分分辨率。因此，它具有优越的角分辨率成像切伦科夫空气簇射。本文对Ashra-1切伦科夫τ簇射观测方法的灵敏度和宇宙线背景进行了估算。提供了调试运行和长期观察（配备齐全的触发系统和一个光收集器）的数据。我们的估计是基于一个详细的蒙特卡罗模拟，它描述了所有相关的淋浴过程，从中微子相互作用的切伦科夫光子探测产生的τ空气淋浴。此外，利用极大似然方法对确定切伦科夫簇射到达方向的潜力进行了评估。我们的结论是，Ashra-1探测器是一个独特的探测极高能量中微子及其加速器。
2012-10-01 astro-ph.HE astro-ph.IM
Extracting gamma-ray information from images with convolutional neural network methods on simulated Cherenkov Telescope Array data
切伦科夫望远镜阵列（CTA）将成为世界领先的地面伽马射线天文台，使我们能够研究宇宙中的高能现象。CTA将产生PB级的巨大数据集，挑战在于找到更好的替代数据分析方法。机器学习算法，如深度学习技术，在这个方向上给出了令人鼓舞的结果。特别是，图像上的卷积神经网络方法已被证明在模式识别中是有效的，并产生可以实现令人满意的预测的数据表示。我们测试使用卷积神经网络来区分信号与背景图像具有高拒绝因素，并提供重建参数的伽马射线事件。该网络的训练和评估人工数据集的图像。结果表明，用模拟数据训练的神经网络可以用于伽马射线信息的提取。这样的网络将帮助我们最好地利用未来几十年的大量真实数据。
2018-10-01 astro-ph.IM
Probing Convolutional Neural Networks for Event Reconstruction in γ-Ray Astronomy with Cherenkov Telescopes
近年来，通过应用深度学习技术，计算机视觉领域取得了巨大的进步。因此，卷积神经网络（CNN）达到了图像识别的最先进性能。CNN是一类功能强大的人工神经网络，其特点是比传统神经网络需要更少的连接和自由参数，并利用输入数据中的空间对称性。此外，CNN能够自动从数据集中提取一般特征，并创建抽象的数据表示，可以执行非常强大的预测。这表明，使用切伦科夫望远镜的实验可以利用这些强大的机器学习算法来改善对粒子诱导的空气簇射的分析，其中主要簇射粒子的属性是从望远镜记录的簇射图像中重建的。在这项工作中，我们提出了基于CNN的分析背景拒绝和淋浴重建的初步结果，利用H.E.S.S.实验我们专注于监督训练方法，并概述图像采样对CNN模型预测性能的影响。
2017-11-16 astro-ph.IM
Testing Gamma/Hadron Separation for Ultra-High-Energy Cherenkov Astronomy
针对规划中的甚高能切伦科夫望远镜阵列Dark100的宇宙射线背景排除需求，首次基于模拟数据开展伽马/强子分离研究，分析了CORSIKA强子背景模型的影响。
2025-08-02 astro-ph.HE astro-ph.IM
Machine Learning for Event Reconstruction in Imaging Atmospheric Cherenkov Telescopes
INAF IASF Palermo（意大利国家天体物理研究所帕勒莫天文台与空间物理学研究所）
综述机器学习在成像大气切伦科夫望远镜事件重建中的应用，包括粒子分类和能量/方向回归，并介绍基于时序特征和集成方法的新进展。
2026-06-11 astro-ph.IM
Timing performances of NectarCAM, a Medium Sized Telescope Camera for the Cherenkov Telescope Array
本文介绍NectarCAM相机用于CTAO中型望远镜，其时序系统经暗室测试，可降噪、改善图像清洗并区分伽马与宇宙射线，支持立体观测。
2023-10-10 astro-ph.IM
Improvements to monoscopic analysis for imaging atmospheric Cherenkov telescopes: Application to H.E.S.S
针对大气切伦科夫成像望远镜单镜事件分析的困难，提出含图像方向机器学习算法等改进措施，在H.E.S.S应用中提升角度分辨率、降低能阈并提高灵敏度。
2025-01-15 astro-ph.HE astro-ph.IM
Analysis of the Cherenkov Telescope Array first Large-Sized Telescope real data using convolutional neural networks
切伦科夫望远镜阵列（CTA）是未来的地基伽马射线天文台，将由分别位于北半球和南半球的两个成像大气切伦科夫望远镜阵列（IACT）组成。在现场建造的第一台CTA原型望远镜，即大型望远镜（LST-1），正在拉帕尔马调试，并已获得许多已知来源的数据。IACT探测到一个非常高能的伽马射线光子与大气相互作用并产生大气簇射后间接产生的切伦科夫光的微弱闪光。原始光子的特征的重建通常使用高达图像的光分布的三阶的参数化来完成。为了超越这种经典方法，正在开发新的方法，使用基于卷积神经网络（CNN）的最先进的方法，直接从望远镜图像中重建每个事件的属性（入射方向，能量和粒子类型）。尽管这些方法很有前途，但由于用于训练网络的蒙特卡罗（MC）数据与真实数据之间的差异（例如不同级别的夜空背景），这些方法非常难以应用于真实数据。基于这些CNN方法的GammaLearn项目已经显示出对LST-1的MC模拟的灵敏度增加以及较低的能量阈值。这项工作将GammaLearn网络应用于LST-1获取的真实数据，并将结果与使用随机森林训练提取的图像参数的经典方法进行比较。本文讨论了在背景抑制、事件方向和能量重建方面的改进。
2021-08-09 astro-ph.IM
Prospects for Measuring the Positron Excess with the Cherenkov Telescope Array
在$\sim$ 10 GeV以上的宇宙射线中，正电子的过剩自从被发现以来一直是一个谜。对这种过剩的可能解释已经被提出，包括局部超新星遗迹的加速或暗物质粒子的湮灭。为了区分这些情况，必须在更高的能量下测量正电子分数。进行这种测量的一种技术是使用地月光谱仪：观察地球磁场对正电子和电子月球阴影的偏转。以前的切伦科夫大气成像望远镜已经尝试过这种测量，但没有成功。切伦科夫望远镜阵列（CTA）将具有前所未有的灵敏度和背景抑制能力，这可能使这项测量首次成功。此外，在CTA的某些望远镜中使用硅光电倍增器的可能性可大大增加在月球附近进行观测的可行性。估计CTA的能力，以测量正电子分数使用模拟观测的月球阴影。
2015-09-08 astro-ph.HE astro-ph.IM
The Discovery of Cherenkov Radiation and its use in the detection of extensive air showers
当高能宇宙射线进入地球大气层时会产生带电粒子的级联：研究这些“广泛的空气簇射”是为了获得1014 eV以上粒子的能谱、到达方向分布和质量组成的信息，在这些信息中，使用气球或卫星携带的仪器进行直接观测变得不切实际。在电磁波谱的可见光和紫外线范围内的光的检测在这项工作中起着关键作用，涉及的两个过程是切伦科夫光的发射和荧光辐射的产生。在本文中，我将概述切伦科夫过程发现的一些历史，并描述它在地面广泛的空气簇射研究中的应用。
2011-01-24 astro-ph.IM physics.hist-ph
Prospects for joint reconstruction of imaging air Cherenkov Telescope array and extensive air shower array
本文提出结合LHAASO的缪子探测器与八台IACT进行联合重建，利用缪子探测器的高背景抑制能力，在10 TeV以上将灵敏度提升25%-60%，尤其利于延展源观测。
2024-09-20 astro-ph.HE astro-ph.IM
The readout system of the MAGIC-II Cherenkov Telescope
在这方面的贡献，我们描述了硬件，固件和软件组件的读出系统的MAGIC-II切伦科夫望远镜在加那利群岛的拉帕尔马。PMT模拟信号通过光纤从MAGIC-II摄像机传输到80米外的计数室，在那里它们被路由到新的高带宽和完全可编程的接收器板（MONSTER），该接收器板将信号从光信号转换回电信号。然后，信号被分离，一半提供给一级触发系统的输入信号，而另一半被发送到数字化单元。快速切伦科夫脉冲由低功耗多米诺环形采样器芯片（DRS 2）采样，并暂时存储在1024个电容器的阵列中。信号以2 GSample/s的超快速度进行采样，从而可以非常精确地测量所有像素中的信号到达时间。然后，通过外部ADC以40 MHz的速度读出，以12位分辨率对它们进行数字化。多米诺采样器集成在新设计的夹层中，夹层配备了一套14个多用途PULSAR板。最后，数据通过S-LINK光学接口发送到单个计算机。整个DAQ硬件通过VME接口进行控制，并由慢速控制软件程序（MIR）进行操纵。数据采集软件程序（DAQ）最后进行事件构建和数据存储。
2009-07-02 astro-ph.IM
The Instrument Response Function Format for the Cherenkov Telescope Array
切伦科夫望远镜阵列（CTA）是一个未来的地面观测站（有两个地点，在北半球和南半球），将用于研究非常高能量的伽马射线天空。CTA观测将由外部用户提出或由天文台发起，CTA天文台将处理由此产生的测量结果，并将简化的数据提供给相应的提议者。还将提供仪器响应函数（IRF），将阵列测量的量转换为相关的科学产品（即光谱，天空图，光变曲线）。由于望远镜的响应取决于许多相关的观测量和物理量（例如伽马射线到达方向、能量、望远镜方位、背景光、天气条件等），CTA IRF可能会增长到越来越大的文件大小，这对于在特定观察情况下的使用来说可能变得笨拙或不切实际。为此，正在制定一个定制的综合报告格式（符合FITS标准），以将综合报告格式的文件大小减少到更易于管理的程度。这种格式是有吸引力的，因为它能够存储多个参数（在选定的范围内）有关的仪器性能的分箱和参数化的格式，为各种阵列和观测条件。原型的格式、初步设计和测试细节将在下文提供。
2015-09-03 astro-ph.IM
Real-Time Analysis sensitivity evaluation of the Cherenkov Telescope Array
切伦科夫望远镜阵列（CTA）是新一代甚高能伽马射线天文台，将在约10 GeV至100 TeV以上的连续范围内将当前切伦科夫望远镜的通量灵敏度提高一个数量级。由于在南北半球分布有数十架望远镜，大的有效面积和视场加上快速指向能力，CTA成为探测和了解瞬态、短时间尺度变化现象（例如，伽马射线暴、活动星系核、伽玛射线双星、偶然来源）物理学的重要仪器。用于快速识别耀斑事件的关键CTA系统是实时分析（RTA）管道，这是一个科学警报系统，它将自动检测和生成科学警报，触发事件收集的最大延迟为30秒，并确保与天体物理学界的快速通信。根据CTA设计要求，真实瞬态事件的RTA搜索应在多个时间尺度（从分钟到小时）上执行，灵敏度不低于标称CTA灵敏度的三倍。考虑到CTA对RTA效率和瞬态科学所要求的快速响应能力的要求约束，我们对RTA灵敏度作为CTA高级技术性能（例如有效面积、点扩散函数）和观测时间的函数进行了初步评估。该初步方法允许探索由科学和技术要求定义的复杂参数空间，目的是定义输入参数的可行性范围和RTA管道的最小背景抑制能力。
2015-09-07 astro-ph.IM
Characterization of atmospheric properties at the future sites of the Cherenkov Telescope Array
对切伦科夫望远镜阵列未来两个地点的详细大气特性的深入了解对于准备第一批科学数据的到来至关重要。使用安装在智利南部站点的专用表征站和拉帕尔马岛北部站点周围现有观测站的大量数据对气象变量进行了研究。预计在不久的将来，利用气球发射的无线电探空仪开展的活动将补充这些数据。几年来，这两个地点都使用全天空摄像机连续监测夜间的云量，全天空摄像机根据对恒星的检测来评估云的存在。自2016年以来，使用太阳/月球光度计和小型机器人FRAM望远镜测量了南部站点的综合气溶胶光学厚度; 2018年秋季，在北部站点部署了相同的仪器。同样在2018年10月，ARCADE拉曼激光雷达（RL）开始在北部站点进行常规测量，提供气溶胶光学特性的垂直分布数据（即，消光和散射）和水蒸气混合比。我们目前提供的数据，从这些仪器从两个网站的重点（未来）的操作成像大气切伦科夫望远镜的重要特征。
2019-09-17 astro-ph.IM
CTLearn: Deep Learning for Gamma-ray Astronomy
CTLearn是一个正在开发的新Python包，它使用深度学习技术来分析来自成像大气切伦科夫望远镜（IACT）阵列的数据。IACT使用由甚高能量伽马射线引发的空气簇射发射的切伦科夫光，在相机平面上形成空气簇射纵向发展的图像。然后，原始高能粒子的空间、时间和量热信息被电子记录下来。IACTs对天体物理源的敏感性在很大程度上取决于对大量宇宙射线簇射背景的有效抑制。CTLearn包含使用TensorFlow运行机器学习模型的模块，使用像素相机数据作为输入。它的高级界面提供了一个基于配置文件的工作流程，以驱动可重复的训练和预测。我们通过使用IACT模拟数据展示一些结果来说明CTLearn的功能。
2019-12-20 astro-ph.IM
A high performance likelihood reconstruction of gamma-rays for Imaging Atmospheric Cherenkov Telescopes
我们提出了一个复杂的伽玛射线似然重建技术成像大气切伦科夫望远镜。该技术是基于比较的原始切伦科夫相机像素图像的光子引起的大气粒子簇射与半解析模型的预测。该方法是由CAT实验在20世纪90年代，并已进一步开发了一个新的拟合算法的基础上使用的所有像素在相机中的对数似然最小化，夜空背景噪声的精确治疗，使用立体视觉和引入的第一个相互作用深度作为参数的模型。与使用中的其他技术相比，该重建技术提供了光子诱导簇射的更精确的方向和能量重建，以及更好的伽马效率，特别是在低能量下，以及改进的背景抑制。对于H.E.S.S.在实验中，与H.E.S.S.相比，重建技术的灵敏度提高了约2倍。基于相机图像的二阶矩的标准重建技术（Hillas参数技术）。
2011-04-07 astro-ph.HE astro-ph.IM
An improved muon track reconstruction for IceCube
IceCube是一个在南极运行的100公里切伦科夫望远镜。其主要目标之一是探测天体物理学中微子并确定其来源。高能μ子中微子是通过电荷电流与冰相互作用产生的次级μ子来识别的。目前最好的μ子轨道的定向重建是一种极大似然方法，该方法使用由实验的光电倍增管记录的切伦科夫光子的到达时间分布。普遍方法的一个已知的系统缺陷是假设沿着μ子轨道的连续能量损失。这篇文章讨论了一个广义的Anterior的预期到达时间分布参数化的随机μ子能量损失模式。这种更现实的参数化的μ子能量损失的轮廓导致约20%的改进的μ子角分辨率的冰立方。
2019-08-21 astro-ph.HE astro-ph.IM
Investigating a Deep Learning Method to Analyze Images from Multiple Gamma-ray Telescopes
成像大气切伦科夫望远镜阵列记录伽马射线进入大气层引发的空气簇射的图像，从而可以在非常高的能量下观察天体物理源。为了最大限度地提高IACT的灵敏度，必须使用多个望远镜的图像有效地将伽马射线簇射与宇宙射线簇射的主要背景区分开来。已经提出了卷积神经网络（CNN）与递归神经网络（RNN）的组合来执行此任务。使用CTLearn，一个使用深度学习来分析来自IACT的数据的开源Python包，以及来自即将到来的切伦科夫望远镜阵列（CTA）的模拟数据，我们实现了一个CNN-RNN网络，并没有发现任何证据表明通过总振幅对望远镜图像进行排序可以提高背景抑制性能。
2020-01-10 astro-ph.IM
A Monte Carlo Template based analysis for Air-Cherenkov Arrays
我们提出了一种高性能的事件重建算法：图像逐像素拟合大气切伦科夫望远镜（ImPACT）。重建算法是基于相机像素幅度到期望图像模板的似然拟合。执行极大似然拟合以找到最佳拟合淋浴参数。相关的重建算法已经被证明可以为CAT和H.E.S.S.提供比传统重建更显著的改进。实验我们证明了一个显着的改进，该过程的模板生成步骤，通过使用一个完整的蒙特卡罗空气淋浴模拟结合光线跟踪光学模拟，以更准确地模拟预期的相机图像。该重建步骤与基于MVA的背景抑制相结合。举例说明了ImPACT分析对H.E.S.S.的模拟和测量（来自强VHE源）伽马射线数据的性能。阵列，表现出改善的灵敏度超过一个因素2的观察时间比传统的图像矩拟合方法，与以前的似然拟合分析的性能相当。ImPACT是一种特别有前途的方法，用于未来的大型阵列，如切伦科夫望远镜阵列（CTA），由于其改进的高能量性能和适用于混合望远镜类型的阵列。
2014-05-19 astro-ph.HE astro-ph.IM
Reconstruction of extensive air shower images of the first Large Size Telescope prototype of CTA using a novel likelihood technique
地基伽马射线天文学的目的是从伽马射线在大气中引发的大范围空气簇射中重建伽马射线的能量和方向。成像大气切伦科夫望远镜（IACT）收集由广泛的空气簇射（EAS）中的次级带电粒子引起的切伦科夫光，在位于光学系统焦平面的相机中创建簇射的图像。该图像用于评估引发簇射的初级粒子的类型，能量和到达方向。这一贡献显示了一种新的重建方法的基础上似然最大化的结果。相对于先前的似然重建方法的新颖性在于每个单个相机像素的似然的定义，不仅占总测量的电荷，而且其随时间的发展。这导致更精确地重建淋浴图像。该方法被应用到与大尺寸望远镜原型（LST-1）部署在切伦科夫望远镜阵列的北部站点获得的蟹状星云的观测。
2021-08-10 astro-ph.IM
The Schwarzschild-Couder Telescope for the Cherenkov Telescope Array Observatory
本文介绍了用于CTAO-South的双镜面Schwarzschild-Couder望远镜（SCT）的pSCT原型机升级状态，包括采用SiPM密集焦平面、11,328像素及8度视场相机升级和电子学改进，以提升甚高能伽马射线观测性能。
2025-09-16 astro-ph.IM
Calibration and performance of the readout system based on switched capacitor arrays for the Large-Sized Telescope of the Cherenkov Telescope Array
切伦科夫望远镜阵列（Cherenkov Telescope Array，CTA）是下一代地面甚高能伽马射线天文台。CTA的大型望远镜（LST）设计用于探测20 GeV到几TeV之间的伽马射线，其反射镜直径为23米。我们已经开发了第一个LST的焦平面相机，它具有1855个光电倍增管（PMT）和读出系统，该系统使用开关电容阵列在GHz处对PMT波形进行采样，Domino Ring Sampler ver4（DRS 4）。为了精确测量切伦科夫信号的脉冲电荷和到达时间，提出了一种标定DRS4输出电压和采样时间间隔的方法，以及一种校正DRS4尖峰噪声的分析方法。自2018年第一台LST启用以来，我们进行了调试测试并校准了相机。我们的特点是在各种条件下的夜空背景下，每个像素的电荷分辨率，整个相机的电荷均匀性，和时间分辨率与测试脉冲和校准激光的电荷基座的相机。
2022-03-13 astro-ph.IM
The Analysis, not the Aperture: End-to-End Transformer Reconstruction for Imaging Atmospheric Cherenkov Telescopes
Max-Planck-Institut für Physik（马克斯·普朗克物理研究所）；Technical University of Munich, TUM School of Natural Sciences（慕尼黑工业大学自然科学院）；Université Paris Cité, CNRS, Astroparticule et Cosmologie（巴黎西岱大学，法国国家科学研究中心，亚原子粒子与宇宙学实验室）
该研究针对成像大气切伦科夫望远镜（IACT）的亚TeV能量探测局限，采用端到端视频视觉Transformer实现多任务重建，显著降低能量阈值、提升性能，为紧凑型望远镜发展提供新方向。
2026-09-01 astro-ph.HE astro-ph.IM
The Real Time Analysis framework of the Cherenkov Telescope Array's Large-Sized Telescope
本文介绍了CTAO大型望远镜LST-1的实时分析框架，重点提出事件重建与背景抑制新算法，以实现对伽马射线暴等瞬变源的快速识别与后续观测，并探讨其在未来ACADA系统中的集成。
2023-09-20 astro-ph.IM hep-ex
Improved sensitivity of H.E.S.S.-II through the fifth telescope focus system
成像大气切伦科夫望远镜（IACT）的工作原理是对TeV伽马射线撞击大气层时产生的相对论带电粒子级联产生的非常短暂的切伦科夫辐射闪光进行成像。这种高能空气簇射在10-30公里的高度开始，这取决于初级伽马射线的能量和到达方向。究竟是通过将望远镜聚焦在无穷远处并测量切伦科夫光子角还是聚焦在簇射的中心区域来获得簇射的最佳图像是一个不明显的问题。这对于大尺寸IACT尤其如此，对于大尺寸IACT，场深度小得多。我们特别利用高能立体系统（H.E.S.S.）的第五台望远镜（CT 5）解决这一问题;一个28米碟形大尺寸望远镜最近进入操作和敏感的能量阈值为几十个GeV。本文讨论了CT-5的聚焦系统的工作原理和聚焦深度对低能（50-200 GeV）望远镜灵敏度的预期影响。
2013-07-24 astro-ph.IM
Monte Carlo study of a single SST-1M prototype for the Cherenkov Telescope Array
SST-1 M望远镜是作为切伦科夫望远镜阵列天文台的小型望远镜原型开发的，自2017年以来一直在克拉科夫进行广泛测试。在这方面的贡献，我们提出了验证的Monte Carlo模型的原型和预期的性能在克拉科夫条件。我们专注于伽玛/强子分离和单重建的能量和伽玛光子到达方向使用机器学习方法。
2019-07-18 astro-ph.HE astro-ph.IM
Towards SiPM camera for current and future generations of Cherenkov telescopes
到目前为止，目前的地基成像大气切伦科夫望远镜（IACT）在最佳情况下的能量阈值在~30至50 GeV（H.E.S.S.）范围内。（二）魔术望远镜。最低能量的伽玛射线簇射产生低光强图像，不能有效地从强子背景的主导图像中分离出来。在较低能量下提高望远镜性能的一种具有成本效益的方法是使用具有优越光子探测效率（PDE）的新型光电传感器。目前最好的市售超双碱光电倍增器（PMT）具有约30- 33%的PDE，而来自某些制造商的硅光电倍增器（SiPM，也称为MPPC，GAPD）显示出约40- 45%的光子检测效率。使用这些器件可以降低仪器的能量阈值，并且由于SiPM的固有特性（例如极好的单光电子分辨率）可以改善背景抑制。与光电倍增管相比，SiPM更紧凑，响应速度快，工作电压低，对磁场不敏感。SiPM可以在高背景照明下操作，这将允许在部分月光、黄昏和黎明期间也操作IACT，从而增加仪器占空比。我们正在测试切伦科夫望远镜的SiPM，如MAGIC和CTA。在这里，我们将概述我们的设置和第一次测量，我们在德国慕尼黑和西班牙巴塞罗那的两个独立实验室进行。
2014-10-19 astro-ph.IM physics.ins-det
Energy Reconstruction in Analysis of Cherenkov Telescopes Images in TAIGA Experiment Using Deep Learning Methods
Irkutsk State University（伊尔库茨克国立大学）；Lomonosov Moscow State University（罗蒙诺索夫莫斯科国立大学）
TAIGA天体物理学综合设施的成像大气切伦科夫望远镜（IACT）可以观测高能伽马辐射，有助于研究许多天体物理学物体和过程。TAIGA-IACT使我们能够从总的宇宙辐射通量中选择伽马量子，并恢复其主要参数，如能量和到达方向。处理结果图像的传统方法是图像参数化-所谓的Hillas参数方法。目前，机器学习方法，特别是深度学习方法已被积极用于IACT图像处理。本文介绍了通过几种深度学习方法对单个望远镜（单模）和多个IACT望远镜（立体模式）的模拟Monte Carlo图像进行分析。利用几种类型的神经网络对能量重建质量进行了估计，并对它们的能谱进行了分析。使用开发的方法所获得的结果也进行了比较，通过传统的方法的基础上的Hillas参数所获得的结果。
2022-11-16 astro-ph.HE astro-ph.IM cs.LG
The CoMET multiperspective event tracker for wide field-of-view gamma-ray astronomy
CoMET研发项目的重点是开发一种新技术，用于观测能量在~200 GeV以上的地面甚高能$γ$射线，从而涵盖软谱源的发射。正在研究的CoMET阵列将1242个粒子探测器单元与大气切伦科夫光探测器结合在一起，这些单元分布在直径约160米的圆形区域内，并放置在非常高的高度（5.1公里）。受“HiSCORE”设计启发并针对感兴趣的能量范围进行改进的大气切伦科夫光探测器可以在晴朗的夜晚与粒子探测器一起工作。因此，该仪器成为宇宙多视角事件跟踪器（CoMET）。预计CoMET将改善对黑暗期间$γ$射线引起的簇射的到达方向、能量和簇射最大值确定的重建，这对于减少宇宙射线的背景污染至关重要。粒子和大气切伦科夫光探测器的原型已经安装在林奈大学在瑞典，而在平行，我们模拟完整的探测器响应和估计重建改善$γ$射线事件。在这方面的贡献，我们提出了蒙特卡罗模拟的探测器阵列，包括CORSIKA簇射模拟和自定义探测器响应模拟，连同粒子和大气切伦科夫光信息的耦合，完整的阵列的重建策略和检测性能上的点状VHE $γ$射线源。
2021-07-28 astro-ph.IM
The AdvCam: Designing the future cameras for the Large-Sized Telescope of the Cherenkov Telescope Array Observatory
本文介绍了专为切伦科夫望远镜阵列大型望远镜设计的下一代相机AdvCam，其采用硅光电倍增管和全数字读出系统，在相同视场下像素量提升四倍，显著改善了角精度与噪声抑制，并基于蒙特卡洛数据验证了其变革性的触发与观测性能。
2025-09-16 astro-ph.HE astro-ph.IM
Deep Learning for Cherenkov Astronomy: Performance of GammaLearn on LST-1
CNRS（法国国家科学研究中心）
本文通过灵敏度曲线评估深度学习框架GammaLearn在LST-1望远镜上的性能，并与标准分析对比，应用于真实观测数据，验证其在低能段重建粒子属性的优势。
2026-10-08 astro-ph.HE astro-ph.IM
Monte Carlo Studies of medium-size telescope designs for the Cherenkov Telescope Array
我们目前的研究优化下一代地基成像大气切伦科夫望远镜（IACT）。结果集中在CTA的中型望远镜（MSTs）上，检测能量范围从几百GeV到几十TeV的非常高能量的伽马射线。我们描述了一种新颖的，灵活的探测器蒙特卡罗软件包，FAST（快速模拟成像空气切伦科夫望远镜），我们用来模拟不同的阵列和望远镜的设计。模拟是有点简化，以允许有效的探索在一个大的望远镜设计参数空间。我们调查了广泛的望远镜性能参数，包括光学分辨率，相机像素大小，和光收集面积。为了确保在最大灵敏度下对阵列进行比较，我们使用该领域使用的最灵敏技术来分析模拟，例如极大似然模板重建和用于背景抑制的增强决策树。选择望远镜的设计参数代表建议戴维斯-棉花（DC）和施瓦茨柴尔德-库德（SC）MST设计，我们比较的阵列的性能，通过检查伽马射线角分辨率和差分点源灵敏度。我们进一步研究了在各种条件下的阵列性能，确定了望远镜数量，望远镜分离，夜空背景和地磁场的影响。我们发现一个30-40%的改进，在所有能量的伽马射线角分辨率比较阵列与相同数量的SC和DC望远镜，显着提高点源的灵敏度在MST的能量范围。我们将点源灵敏度的增加归因于SC望远镜设计的改进的光学点扩散函数和更小的像素尺寸。
2015-06-24 astro-ph.HE astro-ph.IM
Improving the muon track reconstruction of IceCube and IceCube-Gen2
IceCube是一个在南极运行的100公里切伦科夫望远镜。它的目标是探测天体物理学中微子并确定其来源。高能μ子中微子是通过电荷电流与冰相互作用产生的次级μ子来识别的。目前最好的μ子轨道的定向重建是一种极大似然方法，该方法使用由实验的光电倍增管记录的切伦科夫光子的到达时间分布。这种方法的已知系统缺点是假设沿着μ子轨道的连续能量损失，并忽略光电倍增管相关的影响，如前脉冲和后脉冲。这项工作讨论了约20%的改进的μ子角分辨率的IceCube和其计划的扩展，IceCube-Gen 2。在这里提出的重建方案中，预期到达时间分布现在由预定的随机μ子能量损失模式参数化。还研究了PDF中包含的前脉冲和后脉冲建模，但没有发现明显的改进，特别是与能量损失分布的修改相比。
2019-05-23 astro-ph.HE astro-ph.IM physics.ins-det
Simulation study for the proposed wide field-of-view gamma-ray detector array ALTO
ALTO是一个用于甚高能伽马射线天文学的宽视场空气簇射探测器阵列，拟安装在南半球海拔约5.1公里的高度。该阵列将使用水切伦科夫探测器，如HAWC天文台，但与闪烁探测器相结合，以探测大气中VHE伽马射线引起的空气簇射。它的设计是为了获得更低的能量阈值、更好的能量和角分辨率以及更高的灵敏度。该阵列将由分布在直径约160米的圆形区域内的约1250个小型（直径3.6米）探测器单元组成。每个探测器单元将由一个水切伦科夫探测器和一个液体闪烁探测器组成，液体闪烁探测器下面将优先识别μ子，促进背景（宇宙射线）抑制，从而提高灵敏度。由于探测器的紧密排列和体积小，可以对地面的空气簇射足迹进行精细采样，因此，背景抑制能力将进一步增强。在这方面的贡献，我们提出了蒙特卡罗模拟的实验进行CORSIKA和GEANT 4模拟包。阵列的重建精度的簇射核心和到达方向，以及初步估计的触发能量阈值后，初步选择削减一个点状伽马射线源的预期性能。
2017-08-03 astro-ph.IM physics.ins-det
The sensitivity of Cherenkov telescopes to dark matter and astrophysical anisotropies in the diffuse gamma-ray background
在本文中，目前的能力（H.E.S.S.，MAGIC，VERITAS）和计划（CTA）的地基切伦科夫望远镜系统，用于探测弥散γ射线背景中的角各向异性的研究。在对仪器特性（有效面积、视场、角分辨率和背景抑制效率）的影响进行研究之后，第一部分研究了不同观测策略的影响，即，是否优选单个深观测或在多个浅场上进行分裂。第二部分研究了不同的常见暗物质模型对自湮灭暗物质产生的各向异性的敏感性。我们发现，从暗物质湮灭到河外弥漫伽马射线背景的相对贡献约为10%，可以检测到CTA的计划配置。在热平均的自湮灭截面方面，CTA的灵敏度对应于低于热冻结预期<sigma v>= 3 × 10-26 cm 3 s-1的暗物质粒子轻于~200 GeV的值。我们强调的重要性，约束尚未解决的天体物理源与目前正在运行的仪器已经各向异性，作为一种新的和补充的方法，调查TeV源的属性。
2014-02-06 astro-ph.CO astro-ph.HE astro-ph.IM
Optical Intensity Interferometry with the Cherenkov Telescope Array
切伦科夫望远镜阵列（CTA）具有前所未有的夜空观测集光面积，在光学恒星天文学方面也具有巨大的潜力，特别是作为一种多元件强度干涉仪，实现亚毫角秒角分辨率成像。光学天文学所达到的空间分辨率的这种数量级的增加将揭示旋转扁平恒星的表面及其周盘和风的结构，或近距离双星之间的气体流动。从光的二阶相干性来重建图像是可行的，光的二阶相干性被测量为不同望远镜中记录的光子之间到达时间的时间相关性。这种技术（曾经由汉伯里·布朗和特维斯开创）只通过电子信号连接望远镜，实际上对大气湍流和望远镜光学系统的缺陷不敏感。探测器和望远镜的要求与成像空气切伦科夫天文台的要求非常相似，主要区别在于信号处理（计算成对望远镜中单个相机像素之间的互相关）。对较亮恒星的观测不受天空亮度的限制，允许在明亮的月亮时期有效地使用CTA。虽然已经提出了其他概念来实现常规振幅（相位）类型的千分之一级光学干涉仪，无论是在空间还是在地面上，它们的复杂性使它们比CTA更远，因此可能成为天文学中第一个千分之一级光学成像仪。
2012-04-16 astro-ph.HE astro-ph.IM astro-ph.SR
Contributions to free-space optical communications: feasibility of utilizing Cherenkov telescopes as receivers and beam-wander correction in quantum communications
本论文主要研究了自由空间光通信的两大应用：行星际通信和量子通信。因此，本文分为两部分。在第一个，一个新的建议，建议关于使用切伦科夫望远镜作为地面站接收器。一项可行性研究探讨了使用为伽马射线望远镜开发的技术的可能性，伽马射线望远镜将构成切伦科夫望远镜阵列，用于建立一种新型地面站。这些望远镜提供的主要优势之一是需要更大的孔径来克服地基伽马射线天文学和深空光学通信都具有的功率限制。此外，将为CTA建造的大量大型望远镜将有可能通过经济规模生产来降低单位成本。论文的第二部分主要研究自由空间量子密钥分发（QKD）技术。该技术提供了一种理论上安全的方式来在不安全的信道上进行通信，因为可以检测到最终窃听者的存在。自由空间QKD的主要挑战是需要在强大气湍流和日光背景噪声下工作。为了减轻这些影响，在设计接收器的光学器件时通常需要权衡，因为窄视场改善了背景噪声抑制，但增加了与相干性相关的损耗，而宽视场产生相反的效果。提出了一种大气湍流校正系统，同时克服了这两种限制，并对不同的策略进行了分析和实验，实现了在QKD系统中的集成。
2016-05-24 astro-ph.IM physics.ins-det physics.optics
The performance of the MAGIC telescopes using deep convolutional neural networks with CTLearn
主要大气伽马成像切伦科夫望远镜系统位于拉帕尔马的加那利岛，用于观测极高能（VHE，几十GeV及以上）伽马射线天空。MAGIC由两个成像大气切伦科夫望远镜组成，通过探测簇射中发射的切伦科夫光子，捕捉大气吸收伽马射线和宇宙射线产生的空气簇射的图像。IACT对伽马射线源的灵敏度主要取决于重建产生空气簇射的初级粒子的性质（类型、能量和到达方向）的能力。用于淋浴重建的最先进的IACT流水线是基于通过提取几何和立体特征以及随机森林或提升决策树等机器学习算法对淋浴图像进行参数化。在这篇文章中，我们探索了直接应用于相机像素化图像的深度卷积神经网络，作为IACT全事件重建的一种有前途的方法，并使用CTLearn（一种利用深度学习的IACT事件重建包）在观测数据上展示了该方法的性能。
2022-11-29 astro-ph.HE astro-ph.IM
Design of an Imaging Air Cherenkov Telescope array layout with differential programming
Université de Genève（日内瓦大学）
本文提出利用微分编程和替代模型优化 IACT 阵列布局，以减少系统误差并提高灵敏度。
2025-10-15 astro-ph.IM physics.comp-ph physics.data-an
First IACT Waveform Analysis Based on Deep Convolutional Neural Networks Using CTLearn
本文首次将基于CTLearn的深度卷积神经网络应用于IACT波形数据，直接利用校准清洗后的像素波形进行事件重建，无需电荷积分或手工特征提取，并显式纳入簇射时间发展信息，以提升CTA大口径望远镜对数十GeV低能伽马射线的事件重建精度。
2025-09-18 astro-ph.HE astro-ph.IM
Performance of the MAGIC telescopes in stereoscopic mode
MAGIC伽马射线观测台最近得到了第二台切伦科夫望远镜的升级，距离第一台85米。用两台MAGIC望远镜同时观测空气簇射（立体模式）将改进对簇射轴的重建，并解决单望远镜模式下撞击点的模糊性。同时，立体观测将导致更好的角分辨率，能量估计和宇宙线背景抑制。预计MAGIC的灵敏度在整个能量范围（60 GeV - 20 TeV）内显着提高。在这里，我们提出的性能估计从蒙特卡罗模拟。
2009-07-06 astro-ph.HE astro-ph.IM
