IACT event analysis with 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由两个成像大气切伦科夫望远镜组成，位于加那利群岛的拉帕尔马。IACT是检查极高能（几十GeV及以上）伽马射线天空的极好工具，它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。一般来说，决定IACT对伽马射线源敏感性的主要因素之一是如何很好地重建触发空气簇射的初级粒子的属性（类型，能量和入射方向）。我们介绍了深度卷积神经网络（CNN）是如何被探索为IACT全事件重建的一种有前途的方法。使用标准MAGIC分析和重建软件MARS和CTLearn（一种通过深度学习进行IACT事件重建的软件包）对观测数据进行了评估。
2021-12-03 astro-ph.IM
Performance of a Small Array of Imaging Air Cherenkov Telescopes sited in Australia
随着TeV伽马射线天文学进入切伦科夫望远镜阵列（CTA）时代，人们希望有能力即时跟踪瞬态现象，并连续监测能量高于$10^{12}$ eV的伽马射线通量。为此，需要一个全球性的成像空气切伦科夫望远镜网络，为CTA观测和补充性连续监测提供触发。位于澳大利亚的IACT阵列将对南半球天空的覆盖做出重大贡献。在这里，我们调查了一个小的IACT阵列的适用性，以及不同的设计因素如何影响其性能。蒙特卡罗模拟是根据CTA的小型望远镜（SST）和中型望远镜（MST）设计制作的。望远镜之间的基线距离越大，角分辨率越高，最高可达277米，1000米高度的能量阈值低于0米高度。MSTs的$\sim$ 300 GeV能量阈值比SST的$\sim$ 1.2 TeV阈值更适合于观测瞬态。在1000米处的4个MST的阵列估计从4小时的观测中得到5.7 $σ$探测到RS蛇夫座样新星爆发。我们的结论是，在澳大利亚的一个网站的四个MST级IACT阵列将理想地补充CTA的能力。
2022-06-16 astro-ph.HE astro-ph.IM
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
Muon Identification with VERITAS using the Hough Transform
成像大气切伦科夫望远镜阵列，如VERITAS，用于地基甚高能伽马射线天文学。这是通过探测和分析由伽马射线引发的大气簇射产生的切伦科夫光来实现的。IACTs还探测单个μ子发出的切伦科夫光。识别这些μ子是有用的，因为它们的切伦科夫光可以用来校准望远镜。μ子在IACT的相机中产生特征环形图案，其可以使用参数化算法来识别。其中一种算法，霍夫变换，已成功地用于识别VERITAS数据中的μ子。这里介绍了这种技术的细节，包括有关其有效性的结果。
2013-07-31 astro-ph.IM
Exploring deep learning as an event classification method for the Cherenkov Telescope Array
基于成像大气切伦科夫技术的望远镜探测伽马射线和宇宙射线在被大气吸收时产生的大气簇射的图像。在寻找伽马射线源时，更频繁的宇宙射线事件形成了主要背景，因此IACT的灵敏度在很大程度上取决于区分这两种类型事件的能力。监督学习算法，如随机森林和提升决策树，已被证明可以有效地对IACT事件进行分类。在这篇文章中，我们介绍了使用深度学习作为切伦科夫望远镜阵列（CTA）事件分类方法的探索性工作的结果。CTA被设想为数十个IACT的阵列，是下一代地基伽马射线观测站的国际项目，旨在将当前一代实验的灵敏度提高一个数量级，并提供从20 GeV到300 TeV以上的能量覆盖。
2017-09-18 astro-ph.IM
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
Effect of the uncertainty in the hadronic interaction models on the estimation of the sensitivity of the Cherenkov Telescope Array
成像大气切伦科夫望远镜（IACTs）是能量超过数十GeV的宇宙伽马射线的地面间接探测器。IACT中γ射线观测的主要背景是宇宙射线带电粒子。拒绝这些背景的能力是决定IACT系统的伽马射线灵敏度的最重要因素。蒙特卡罗模拟用于估计剩余的背景率和灵敏度的系统在设计和施工阶段。在模拟宇宙射线与空气中原子核的高能强子相互作用时，不确定性传播到剩余本底率的估计中，随后传播到估计的仪器灵敏度中。我们调查的影响，在目前的强子相互作用模型的差异估计的γ射线灵敏度的切伦科夫望远镜阵列使用四个相互作用模型（QGSJET-II-03，QGSJET-II-04，EPOS-LHC，和SIBYLL2.3c）实现的空气淋浴模拟工具CORSIKA。在模型之间观察到QGSJET-II-03的背景速率变化高达2倍，主要是由于$π^0$生产谱的差异。这些导致在1 - 30 TeV区域中估计的伽马射线灵敏度的差异约为30%，假设对伽马射线点状源进行50小时的观测。所给出的结果也表明，IACTs在强子相互作用模型的验证中具有显著的能力。
2021-05-12 astro-ph.HE astro-ph.IM
Toward the Detection of Relativistic Image Doubling in Imaging Atmospheric Cerenkov Telescopes
宇宙伽马射线光子入射到高层大气中，产生空气簇射，相对于空气以超光速移动到地球表面。尽管许多这些空气簇射沿着它们的轨迹保持超光速，但朝向单个成像大气切伦科夫望远镜（IACT）的簇射速度分量可能会从超光速下降到亚光速。当这种情况发生时，能够在时间和角度上解决空气簇射的IACT应该能够记录一种称为相对论性图像加倍（RID）的不寻常的光学效应。RID的逻辑是，当簇射朝向IACT的速度分量是超光速时，簇射似乎先于其自身的切伦科夫辐射，但当簇射朝向IACT的速度分量是亚光速时，簇射似乎跟随其自身的切伦科夫辐射。其结果是，IACT将看到流星雨不是从大气层的顶部开始，而是从中间开始--在流星雨路径上的径向速度分量下降到亚光速的那一点。然后，IACT将看到淋浴的图像同时上下移动。一个简单的模拟演示这种效果。RID的明确识别将确认在大气中的一种新的光学成像效应，而不是由透镜引起的，而是仅仅由相对论运动学引起的，并可能有助于相对论空气簇射的路径和速度重建的准确性。
2019-10-21 astro-ph.HE astro-ph.IM
Background rejection using image residuals from large telescopes in imaging atmospheric Cherenkov telescope arrays
识别由μ子产生的切伦科夫光被认为是一种有希望的方法，以显着提高成像大气切伦科夫望远镜（IACT）阵列在高能量下的背景抑制能力。然而，μ子识别仍然是一项具有挑战性的任务，有效的算法仍在开发中。我们提出了一种方法，而不是识别切伦科夫光的μ子，我们只是考虑存在的切伦科夫光以外的主簇射图像的IACTs与大的镜子面积。我们证明了在H.E.S.S.五个望远镜的阵列，这种方法导致在所有能量超过1 TeV的背景抑制改善。特别地，在能量高于20 TeV时，抑制功率可以提高因子$\sim3-4$，同时保持原始伽马射线效率的$\sim90\%$。
2022-11-23 astro-ph.HE astro-ph.IM
A new time-dependent likelihood technique for detection of gamma-ray bursts with IACT arrays
在成像大气切伦科夫望远镜阵列（IACT）中，统计推断源存在的标准方法是基于Li&Ma（1983）的极大似然方法。我们提出了一种新的统计方法，也是基于极大似然理论，它考虑到了先验知识的源光变曲线。这种方法对于观测快速衰减的伽马射线暴（GRB）特别有用。我们还讨论了建立使用这种技术来分析VERITAS伽玛暴观测结果。
2015-09-03 astro-ph.HE astro-ph.IM
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
Studying deep convolutional neural networks with hexagonal lattices for imaging atmospheric Cherenkov telescope event reconstruction
深度卷积神经网络（DCN）是一种很有前途的机器学习技术，可以重建成像大气切伦科夫望远镜（IACT）记录的事件，但需要优化才能达到最佳性能。最紧迫的挑战之一是处理由光电倍增器的六边形晶格制成的相机捕获的原始图像，这是IACT相机中的一种常见布局，其拓扑结构不同于DCN模型常规预期的正方形晶格作为其输入数据。旨在解决这一挑战的策略包括通过过采样或插值将六边形晶格转换为正方形晶格，以及实现六边形卷积核。在这篇文章中，我们使用在模拟IACT数据上训练的DCN模型对其中几种策略进行了比较。
2019-12-20 astro-ph.IM
Cross Calibration of Telescope Optical Throughput Efficiencies using Reconstructed Shower Energies for the Cherenkov Telescope Array
成像大气切伦科夫望远镜（IACTs）要进行可靠的事件重建，需要对光通量效率进行标定。在目前的设施中，这是通过使用由μ子产生的环形图像来实现的。在这里，探索一种互补的方法，通过望远镜之间的成对比较实现IACT阵列的元素的交叉校准，重点关注其对即将到来的切伦科夫望远镜阵列（CTA）的适用性。相互校准的一个特定类型的望远镜使用逐事件比较的淋浴图像振幅先前已被证明恢复相对望远镜的光学响应。提出了一种利用重建能量作为图像振幅的替代方案的方法，使得IACT阵列内不同类型的望远镜之间能够进行交叉校准。两个合理的CTA布局的蒙特卡罗研究表明，这种校准程序恢复的相对望远镜响应效率在百分之几的水平。
2015-10-22 astro-ph.IM
A Run-Wise Simulation and Analysis Framework for Imaging Atmospheric Cherenkov Telescope Arrays
介绍了一种新的成像大气切伦科夫望远镜（IACT）阵列的模拟和分析方法，模拟了实际观测条件以及每个观测单元的望远镜配置。与现有的框架相比，通常使用预定义的设置生成模拟，这种运行方式的模拟方法意味着更真实的模拟，从而降低了系统的不确定性。这种专用模拟概念的计算工作量与不同观测配置的数量无关，但与观测时间呈线性关系。这对应于日益复杂的当前和未来IACT阵列的巨大优势，其中相空间的大小使得使用经典模拟方案生成达到系统学要求的模拟在计算上不可行。
2020-07-03 astro-ph.HE astro-ph.IM
Study of the performance of an array of Cherenkov telescopes by means of multi-objective evolutionary optimisation
本文关注的是成像大气切伦科夫望远镜（IACTs）的立体阵列的性能优化作为其在地面上的定位的函数。在这第一项工作中，我们主要关注的是研究的优化方法和测试玩具阵列的几个（3-6）望远镜。这里提出的想法是为了研究IACT阵列几何形状的替代方法。该建议是一种尝试，以涵盖更详尽和系统的立体IACT阵列的设计中所涉及的参数空间，旨在开发一个支持工具，用于指导计算昂贵的蒙特卡罗模拟通常在该领域中使用。这里提出的方法涉及一个建模步骤（在我们的情况下，一个简化的，启发式的IACT阵列模型）和实施的几何优化的进化算法。在这一初步工作中，提出了启发式模型和优化算法，但尚未提出详细的蒙特卡罗验证。这里使用的技术可能在伽玛射线天文学领域的其他优化问题中具有潜在的应用。
2019-07-28 astro-ph.IM
On the Use of Cherenkov Telescopes for Outer Solar System Body Occultations
成像大气切伦科夫望远镜（IACT）是一组非常大的光学望远镜，非常适合对明亮光源进行快速测光。我调查他们的潜力，在观测恒星掩星的小物体在外太阳系，Transjovian对象（TJO）。这些掩星在地球上投射出衍射图案。目前的电离层相干层析成像阵列能够探测柯伊伯带内半径小于100米的物体和5000天文单位以内半径1公里的物体。未来的切伦科夫望远镜阵列（CTA）将拥有更大的能力。由于这些阵列包括几个望远镜，它们可以测量TJO的速度而不退化，以及TJO和背景恒星的大小。我使用Fisher矩阵分析估计可达到的精密度。使用CTA，这些参数估计的精度将达到几个百分点。我考虑了不同TJO种群的成员（包括半人马座、柯伊伯带天体（KBO）、奥尔特云天体以及天王星和海王星的卫星和特洛伊人）发生可检测掩星的频率。IACT阵列的高灵敏度意味着，当它们在黄道附近观测时，可能每O（10）小时就能探测到一次KBO掩星。IACT还可以对许多其他TJO人群设定有用的限制。
2014-10-15 astro-ph.EP astro-ph.IM
The relevance of fluorescence radiation in Cherenkov telescopes
切伦科夫望远镜对大范围空气簇射产生的大气荧光也很敏感。然而，成像空气切伦科夫望远镜IACT和广角切伦科夫探测器WACD的重建算法忽略了这一贡献。在本文中，我们评估的荧光污染的切伦科夫信号的MC模拟在两种切伦科夫望远镜和一些典型的观测情况。海拔2200米观测高度的结果。地示出了此外，IACTs作为荧光望远镜的可行性和能力进行了讨论的一些几何计算的援助。
2018-10-03 astro-ph.IM hep-ex
Optical intensity interferometry observations using the MAGIC imaging atmospheric Cherenkov telescopes
目前正在运行的成像大气切伦科夫望远镜（IACT）具有大反射镜和对光子产生的少数光电子信号的1纳秒级时间响应。这意味着它们非常适合光学干涉测量观测。由于它们对可见光波长的敏感性和长基线，使用IACT的光强干涉测量法可以达到几十到微弧秒的角分辨率。我们已经安装了一个简单的光学装置上的两个17米直径的MAGIC IACT的相机和观察相干波动的光子强度测量在两个望远镜的三个不同的恒星。其灵敏度比20世纪70年代Narrabri干涉仪所达到的灵敏度高出约10倍。
2019-11-14 astro-ph.IM astro-ph.SR
Statistical Tools for Imaging Atmospheric Cherenkov Telescopes
成像大气切伦科夫望远镜（IACTs）的发展揭开了天空中的太电子伏特制度，引发了所谓的“TeV革命”，在新的千年开始。这场革命也促进了统计工具的实施和调整，用于分析这些望远镜收集的流星雨图像，并推断产生此类事件的天体物理来源的属性。图像重建技术、背景鉴别和信号检测分析只是近几十年来应用于IACT数据分析的一些开创性研究。这一（简洁）审查旨在总结用于分析IACT收集的数据的最常用统计工具，重点是它们在整个分析链中的应用，包括参考现有文献进行更深入的研究。
2022-02-09 astro-ph.IM stat.AP
Schwarzschild-Couder telescope for the Cherenkov Telescope Array: Development of the Optical System
切伦科夫望远镜阵列（Cherenkov Telescope Array，CTA）是下一代甚高能（VHE）伽马射线观测的地面实验。它将把几十个具有不同孔径的成像大气切伦科夫望远镜（IACT）集成到一个天文仪器中。CTA合作的美国部分已经提出并正在开发一种新型的IACT设计，该设计采用Schwarzschild-Couder（SC）消球差双镜光学系统。与传统的单镜戴维斯-科顿IACT相比，SC望远镜的设计可以适应宽视场，显着提高成像分辨率。此外，SC望远镜的缩小版尺寸使其与由硅光电倍增器组装的高度集成相机兼容。在这份报告中，我们报告的SC光学系统，这是努力建设一个全尺寸的原型望远镜在亚利桑那州南部的弗雷德劳伦斯惠普尔天文台这种类型的发展状况。
2013-07-15 astro-ph.IM
The Atmospheric Monitoring Strategy for the Cherenkov Telescope Array
大气切伦科夫成像技术（IACT）在天文学中是不寻常的，因为大气实际上构成了探测器系统的固有部分，望远镜通过在大气深处产生和传输切伦科夫光子来间接探测非常高能量的粒子。这意味着对大气的精确测量、表征和监测是成功运行IACT系统的核心。切伦科夫望远镜阵列（CTA）将是下一代IACT天文台，其雄心勃勃的目标是通过分布在$^2$数量级区域的大（23米）、中（12米）和小（4米）望远镜阵列，将现有设施的灵敏度提高一个数量级，同时相应提高角度和能量分辨率，扩大能量覆盖范围。整个天空覆盖将通过在两个地点运行实现：一个在北半球，一个在南半球。这一程序将涵盖候选地点的特征和大气校准策略。CTA将利用一套仪器和分析技术进行大气建模和监测，包括指向预报、观测站操作的智能指向选择和离线数据校正。
2015-01-05 astro-ph.IM
Deep Learning-Based Stereoscopic Event Reconstruction for CTAO using CTLearn
本文提出利用CTLearn软件包和全深度学习驱动方法，从模拟的立体IACT事件中重建甚高能伽马射线粒子的类型、能量和入射方向，以支持CTAO的高灵敏度观测。
2025-09-18 astro-ph.HE astro-ph.IM
A Butterfly's Eye Camera for Intensity Interferometry with Cherenkov Telescopes
切叶眼相机通过改进IACT的光学设计，显著提升了强度干涉术的灵敏度，并在天文成像中带来新的科学机遇。
2025-11-20 astro-ph.IM astro-ph.SR
Reconstruction of stereoscopic CTA events using deep learning with CTLearn
Cherenkov望远镜阵列（CTA）是一个由数十个成像大气Cherenkov望远镜（IACT）组成的阵列，是下一代地基伽马射线天文台的国际项目，旨在将当前一代仪器的灵敏度提高五到十倍，并提供从20 GeV到300 TeV以上的能量覆盖。IACT阵列探测极高能伽马射线天空。它们的工作原理是同时观测由甚高能伽马射线和宇宙射线与大气相互作用引发的空气簇射。由给定簇射引起的切伦科夫光子被聚焦到阵列中望远镜的相机平面上，产生事件的多立体记录。这幅图像包含了空气簇射的纵向发展，以及它的空间、时间和热量信息。原始极高能量粒子的属性（类型，能量和入射方向）可以通过使用机器学习技术重建整个事件来从这些图像中推断。在这篇文章中，我们使用CTLearn对模拟的立体IACT事件进行了纯深度学习驱动的全事件重建。CTLearn是一个软件包，其中包括用于加载和操作IACT数据以及运行深度学习模型的模块，使用像素相机数据作为输入。
2021-09-13 astro-ph.HE astro-ph.IM
Proving the outstanding capabilities of IACTs in high time resolution optical astronomy
成像大气切伦科夫望远镜（IACTs）是一种非常大的望远镜，旨在探测延长的空气簇射中产生的纳秒时间尺度的闪光。由于IACT对切伦科夫光（UV/蓝光）敏感，并使用具有极快时间响应的光电探测器，因此它们也能够进行同步光学观测。这些望远镜的大反射面积（大于100米$^2$）使它们非常适合于研究时间尺度从几秒到毫秒到纳秒的快速光学瞬态现象，独特的光学设计提供了一个宽视场的监测能力与适度的点扩散函数。VERITAS利用其最近升级的PMT电流监测仪器，能够首次利用IACT探测小行星掩星，从而在可见波段范围内对恒星直径进行了有史以来最高的角分辨率测量。在这里，我们探讨了使用这种技术的可行性，以显着扩大直接测量恒星半径的恒星数量，可用于人口研究，以测试恒星演化建模或过境系外行星半径测量。如果一个天文台拥有一台灵敏度达到13 $^{th}$等的高速可见波段光度计，直接测量K星直径的数量就可以增加50%。
2019-08-09 astro-ph.HE astro-ph.IM astro-ph.SR
A template method for measuring the iron spectrum in cosmic rays with Cherenkov telescopes
宇宙射线中元素的丰度与能量有关，这对理解宇宙射线的加速和传播起着重要作用。目前的大多数结果或是通过气球或卫星上的探测器直接测量得到的，或是通过地球表面的空气簇射探测器阵列间接测量得到的。成像大气切伦科夫望远镜（IACTs）主要用于$γ$射线天文学，也可用于宇宙射线物理学。它们能够测量重核和空气簇射中产生的次级粒子发出的切伦科夫光，因此对能量为数十至数百TeV的宇宙射线粒子的电荷和能量敏感。介绍了一种基于模板的方法，该方法可用于从IACT拍摄的图像中同时重建初级粒子的电荷和能量。用这种方法可以从较轻的宇宙射线中分离出重核，如铁，因此可以在几十到几百TeV的范围内测量这些核的丰度和光谱。
2015-08-24 astro-ph.HE astro-ph.IM
Deep Learning and IACT: Bridging the gap between Monte-Carlo simulations and LST-1 data using domain adaptation
本文针对深度学习模型从模拟向真实观测数据迁移时的域偏移问题，将域适应技术整合到CTAO物理分析框架中，利用LST-1真实数据验证了该方法带来的性能提升。
2024-03-20 astro-ph.IM
Gamma-hadron Separation in Imaging Atmospheric Cherenkov Telescopes using Quantum Classifiers
本文介绍了一种利用量子机器学习在成像大气切伦科夫望远镜（IACT）中分离γ强子的新方法。IACTs捕获了由极高能量伽马射线产生的广泛空气簇射（EAS）的图像。我们已经使用了QML算法，量子支持向量分类器（QSVC）和变分量子分类器（VQC）的事件的二进制分类成信号（伽马）和背景（强子）使用的图像参数。MAGIC伽马望远镜数据集用于本研究，该数据集由Monte Carlo软件Coriska生成。这些量子算法实现了与标准多元分类技术相当的性能，并可用于解决各种现实问题。通过超参数整定提高了分类精度。我们提出了一种新的架构，有效地使用QSVC在大型数据集，并发现聚类提高了整体性能。
2022-10-30 astro-ph.HE astro-ph.IM
Run-Wise Simulations for Imaging Atmospheric Cherenkov Telescope Arrays
我们提出了一个新的范例成像大气切伦科夫望远镜（IACTs）阵列的模拟，克服了目前的方法的局限性。到目前为止，所有主要的IACT实验都依赖于相同的蒙特卡罗模拟策略，使用预定义的观察和仪器设置。生成具有不同参数的模拟，以提供不同观测的仪器响应函数（IRF）的更好估计。然而，模拟配置的大部分仍然保留，导致完全忽略所有相关的影响。此外，模拟方案依赖于不同阵列配置之间的插值，这永远不会完全再现给定观测的实际配置。通常对天顶角、离轴角、阵列多重性和仪器的光学响应进行插值。随着由大量具有不同尺寸、类型和相机配置的IACT组成的混合系统的出现，插值的复杂性和相空间的尺寸变得越来越高。超越现有的方法，我们引入了一个新的模拟和分析的概念，考虑到实际的观测条件，以及一个给定的数据集的每个观测运行的个别望远镜配置。因此，这些运行模拟（RWS）表现出显着降低系统的不确定性相比，现有的方法，也更计算效率和简单。RWS框架已在H.E.S.S.中实施。软件和测试，并已被利用在科学分析。
2017-11-03 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
Standardisation of Data Formats in Gamma-ray Astronomy
未来的切伦科夫望远镜阵列（CTA），下一代成像大气切伦科夫望远镜（IACT），作为一个开放的天文台的操作需要数据产品和分析工具，可供科学界访问和使用。这一要求促使伽马射线天文学家开发开源科学工具和标准化数据格式。本专题介绍的目的是从一个角度介绍目前为确定高级伽马射线天文数据的原型格式所作的努力。该倡议由IACT社区于2016年发起，在2018年和2019年获得了充分的认可，这要归功于当前一代IACT以这种格式发布的第一批公共数据，随后发表了一系列论文，使用它来测试开源伽马射线分析工具的能力或展示可重现的多仪器分析的例子。
2021-01-15 astro-ph.HE astro-ph.IM
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
Using Muon Rings for the Calibration of the Cherenkov Telescope Array: A Systematic Review of the Method and its Potential Accuracy
对成像大气切伦科夫望远镜（IACT）中μ子产生的环形像的分析，为标定IACT的光通量和监测其光学点扩散函数（PSF）提供了一种强有力的、精确的方法。这种方法首先由Whipple合作在90年代初提出，并由所谓的第二代IACT实验：H.E.S.S.魔法与真理在这里，我们回顾了这些仪器所取得的进展，并探讨了该方法的适用性，形成未来的切伦科夫望远镜阵列（CTA）的不同类型的望远镜作为主要的吞吐量校准方法。我们发现了一些以前的作者尚未考虑到的额外的系统性影响，并提出了一些新的分析方法，包括这些分析。需要对硬件和分析进行轻微修改，以确保此类校准工作与CTA所需的一样准确。我们推导出分析估计的预期μ介子的数据速率的光学吞吐量校准，相机像素平场和监测的光学点扩散函数。可实现的统计和系统的方法的不确定性进行了评估。
2019-07-09 astro-ph.IM
Influence of clouds on the parameters of images measured by IACT at very high energies
切伦科夫望远镜的观测原则上仅限于晴朗的天空条件，因为云层对切伦科夫光的吸收很大。如果云的水平足够高或云的大气传输率很高，那么高能量簇射（具有TeV能量）仍然可以产生足够的切伦科夫光子，允许大尺寸望远镜和大视场相机进行探测。在本文中，我们研究的可能性观测阵雨，引起的高能粒子在大气中，在云的存在是完全或部分不透明的切伦科夫辐射。我们展示了如何在望远镜相机上的切伦科夫光分布的图像参数的云的不同的不透明度和高度的影响。应用蒙特卡罗模拟，我们计算了定标的长度和宽度参数，目的是在实际数据中分离γ射线和质子引发的簇射。我们表明，高水平的夜空背景的影响的选择效率的γ射线发起的阵雨。然而，较高图像清洁水平的应用显著地改善了预期的品质因数。估计的伽马射线选择效率的探测器与摄像机FOV限制为8度。比具有无限FOV的相机稍好，尽管识别的伽马射线事件的数量较低。我们的结论是，大型切伦科夫望远镜与大视场相机可以用于观测非常高的能量的伽马射线在云的存在。因此，可以显著地增加有用数据的量。
2014-09-29 astro-ph.IM
Detection of the Crab Nebula using a Random Forest Analysis of the first TAIGA IACT Data
Tunka伽马射线和宇宙射线天文学高级仪器（TAIGA）是一个测量TeV至PeV伽马射线和宇宙射线的多组分实验。我们的目标是建立一种新的混合直接空气簇射技术，足以进入长期寻求的Pevatrons的能量领域。混合空气切伦科夫光探测技术结合了HiSCORE簇射阵面采样阵列和两台$\thicksim$ 4米级、$\sim$ 9.6度视场成像空气切伦科夫望远镜（IACT）的优势。HiSCORE阵列提供了良好的角度和簇射核心位置分辨率，而IACT提供了图像的形状和方向的伽玛强子分离。将来，将使用一个额外的μ子探测器来标记$\ge$ 100 TeV能量的强子。在这里，只使用TAIGA实验的第一个IACT的数据。一个随机森林算法进行训练，使用蒙特卡罗（MC）模拟和真实数据，并施加到85小时的选定的观测数据跟踪蟹状星云的平均天顶距为33.5度，导致在这个数据集的阈值能量为6 TeV。使用gammapy软件包进行分析。共检测到163.5个过量事件，统计学显著性为8.5 sigma。蟹状星云观测到的光谱最符合6 TeV以上的幂律，在参考能量为13 TeV时通量归一化为$(3.20\pm0.42)\cdot10^{-10} TeV^{-1} cm^{-2} s^{-1})$，光谱指数为$-2.74\pm0.16$。
2023-01-26 astro-ph.HE astro-ph.IM
Singular Templates of Imaging Cherenkov Shower distribution (STOICS): A background estimation method for Very-High-Energy $γ$-ray observations
Department of Physics and Astronomy, Barnard College, Columbia University（哥伦比亚大学巴纳德学院物理与天文系）；Université Paris-Saclay, Université Paris Cité, CEA, CNRS, AIM（巴黎萨克雷大学、巴黎西岱大学、法国原子能和替代能源委员会、法国国家科学研究中心、天体物理学与信息数学研究所）；Department of Physics, University of Maryland（马里兰大学物理系）；NASA Goddard Space Flight Center（美国宇航局戈达德太空飞行中心）
针对扩展 γ 射线源的 IACT 数据分析，当源角尺寸超过或占据视野显著部分时，需采用基于奇异值分解的背景估计方法以提高系统不确定性的理解。
2026-03-17 astro-ph.HE astro-ph.IM
Deep learning methods for gamma event selection in TAIGA-IACT image analysis in stereo-mode
Irkutsk State University（伊尔库茨克国立大学）；Lomonosov Moscow State University（莫斯科罗蒙诺索夫国立大学）
针对TAIGA-IACT立体模式图像分析，提出两种神经网络方法用于伽马事例选择，提升了伽马射线事例重建的背景抑制精度。
2026-10-14 astro-ph.HE astro-ph.IM cs.LG
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
A Systematic Assessment of Data Volume Reduction for IACTs
本文系统评估了针对CTAO等IACT阵列的数据量缩减算法，重点提出一种基于时间的聚类算法，在保留低水平信号像素方面显著增强，并在不同观测条件下验证了其稳健性，为高效数据存储提供解决方案。
2025-02-26 astro-ph.HE astro-ph.IM
Dielectric Coatings for IACT Mirrors
用于甚高能伽马射线天文学的成像大气切伦科夫望远镜需要在大约300和550 nm之间的波长具有高反射率的反射镜。这种镜子的当前标准反射层是铝。由于长期暴露在环境中，它们多年来不断退化。已经开发了新的和改进的介电涂层，以增强其对环境影响的抵抗力并延长其可能的寿命。此外，这些定制的涂层具有超过95%的反射率，旨在显着降低夜空背景的贡献。这种涂层的发展与面积达2平方米和低应用温度的镜子，以适应复合材料用于切伦科夫望远镜阵列（CTA）和广泛的耐久性测试的结果的新的反射镜subbastries。
2013-07-17 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
Using Muon Rings for the Optical Throughput Calibration of the Cherenkov Telescope Array
利用成像大气切伦科夫望远镜（IACTs）观测到的μ子环图像，为标定IACTs的光通量和监测其光学点扩散函数提供了强有力的手段。我们研究了μ子环图像是否可以用作未来切伦科夫望远镜阵列（CTA）望远镜的主要光学通量校准方法，并发现与以前的工作相比，有几个额外的系统效应。为了确保该方法达到CTA所需的准确度，需要考虑这些系统效应，并对硬件和分析进行微小修改。我们推导出分析估计预期μ介子数据速率用于光学吞吐量校准，监测的光学点扩散函数，可实现的统计和系统的不确定性，并探讨潜在的μ介子环图像作为相机像素平场的辅助方法。
2019-07-19 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
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
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
Ultra-Fast Generation of Air Shower Images for Imaging Air Cherenkov Telescopes using Generative Adversarial Networks
针对成像大气切伦科夫望远镜大气簇射模拟计算资源消耗大的问题，提出用Wasserstein生成对抗网络生成超1500像素的IACT簇射图像，经H.E.S.S.数据验证质量高保真，生成速度提升约5个数量级。
2024-04-11 astro-ph.IM hep-ex
A conceptual design of an advanced 23 m diameter IACT of 50 tons for ground-based gamma-ray astronomy
将介绍一个先进的成像空气切伦科夫望远镜的概念设计，该望远镜具有23米直径的反射镜和50吨重。系统的光子探测效率为15- 17%，平均超过300-600 nm，旨在降低阈值至10-20 GeV。展望第二代相机与盖革模式雪崩光电二极管将被讨论。
2009-07-05 astro-ph.IM
An Alignment System for Imaging Atmospheric Cherenkov Telescopes
成像大气切伦科夫望远镜（IACT）所使用的反射镜由安装在大框架上的镶嵌式反射镜阵列组成。这种布置允许具有足够光学质量的非常大的反射表面，用于以适中的价格实现IACT技术。这种反射器的主要挑战是保持光学质量，这取决于数百个镜面的单独对准。我们描述了一种测量和校正VERITAS望远镜使用的反射器的镜面对准的方法。这种方法使用一个CCD相机，放置在反射镜的焦点，当望远镜对一颗恒星进行光栅扫描时，它获取一系列反射镜的图像。当望远镜直接指向恒星时，对准良好的小平面会显得明亮，而当望远镜指向方向和恒星之间的角度是镜子失准角的两倍时，失准的小平面会显得明亮。因此，来自这些扫描的数据可以用于产生一组可以应用于刻面的校正。在这方面的贡献，我们报告的初步经验，基于这一原则的对准系统。
2009-07-28 astro-ph.HE astro-ph.IM
Status of the Large Size Telescopes of the Cherenkov Telescope Array
切伦科夫望远镜阵列（CTA）将由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。CTA将采用三种不同尺寸的镜子，以覆盖不同的能量范围。CTA-North和CTA-South的四个大尺寸望远镜（LST）子阵列的目标是大约20 GeV和100 GeV之间的最低能量范围。由于LST的重量很轻，只有110吨左右，因此它可以在20秒内移动180度的方位角，以便跟踪伽马射线暴（GRB）。LST有一个直径为23米的镶嵌式抛物柱面镜，配备有一个致动器系统，用于在数据采集期间校正重力引起的变形。它的低重量2吨相机在主焦点有一个4.5度的直径，1855高QE光电倍增管和嵌入式读出与1 GSps采样速度设计的数据采集速率超过10 kHz。2018年在CTA-North工厂安装了一台设备齐全的LST，预计将于2019年完成调试。北部的其余三个LST将于2022年安装。我们将审查LST的状态，描述第一个LST的安装，并报告调试测试的初步结果。
2019-07-19 astro-ph.HE astro-ph.IM
pschitt! - A Python package for the modelling of atmoSpheric Showers and CHerenkov Imaging Terrestrial Telescopes
通过蒙特卡罗方法模拟大气簇射及其在成像大气切伦科夫望远镜（IACT）上的投影是一个耗时且计算量很大的过程。从物理学的角度来看，这些模拟是最先进的，它们不适合简单的测试。在这里，我们提出了一个Python包开发，以模拟大气阵雨使用不同的配置文件，并与IACT的数组来成像。这允许初级光子能量和角度方向对立体图像的影响的一阶研究。它的简单性也使它便于公众传播和推广以及教学目的。这个包的开发是为了充分利用Python的简单性，但也针对快速计算进行了优化。它是在ASTERICS H2020项目的框架内开发的，因此可以作为开源软件使用。
2017-09-14 astro-ph.IM
Processing Images from Multiple IACTs in the TAIGA Experiment with Convolutional Neural Networks
Skobeltsyn Institute of Nuclear Physics, M.V. Lomonosov Moscow State University（莫斯科国立罗蒙诺索夫大学斯科别利岑核物理研究所）
高能粒子与地球大气层相互作用产生的大范围空气簇射可以使用成像大气层切伦科夫望远镜探测到。IACT图像可以进行分析，以区分伽马射线和强子引起的事件，并推断事件的参数，如初级粒子的能量。我们使用卷积神经网络（CNN）来分析来自TAIGA实验望远镜的蒙特卡洛模拟图像。分析包括选择对应于由伽马射线引起的簇射的图像以及估计伽马射线的能量。我们比较了使用来自单个望远镜的图像的CNN和使用来自两个望远镜的图像作为输入的CNN的性能。
2021-12-31 astro-ph.HE astro-ph.IM cs.LG
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
Photon Reconstruction for H.E.S.S. Using a Semi-Analytical Shower Model
高能立体系统（H.E.S.S.）是一个由五个成像大气切伦科夫望远镜（IACT）组成的阵列，旨在探测具有非常高能量的宇宙成因伽马射线。最初由四个相同的IACT（CT 1 -4）组成，每个IACT的有效镜面直径为12 $\,$ m，2012年，它被扩展为第五个IACT（CT 5），镜面直径为28 $\,$ m。作为全球最大的IACT，CT 5可以降低H.E.S.S.的能量阈值，使阵列对天基探测器耗尽统计数据的能量敏感。事件可以单镜分析（即仅使用CT 5的信息）或立体分析（每个事件至少需要两个触发望远镜）。为了达到良好的性能，一个复杂的事件重建和分析框架是必不可少的。这对H.E.S.S.特别重要。因为它现在是第一个由不同类型望远镜组成的IACT阵列。一种先进的重建方法是基于大气中电磁粒子簇射的半分析模型（模型分析）。通过比较每个触发望远镜记录的图像与使用对数似然最大化的簇射模型的切伦科夫发射，重建初级粒子的属性。由于其性能，该方法已成为应用于CT 1 -4数据的标准分析技术之一。现在它已经被修改为使用五望远镜阵列。我们提出了适应模型分析和它的性能在单视场和立体分析模式。
2015-09-09 astro-ph.HE astro-ph.IM
Relevance of the fluorescence radiation in VHE gamma-ray observations with the Cherenkov technique
大气荧光通常被忽略的切伦科夫望远镜，无论是IACT和广角探测器阵列记录的信号重建。在本文中，我们量化的荧光的贡献，总的光记录在典型的观测配置。为此，我们在CORSIKA代码中实现了荧光的产生和跟踪。在地面（2200 m a.s.l.）在宽能量范围（$10^{-1} - 10^3$ TeV）内对γ射线簇射进行了模拟。相对荧光贡献已被评估为簇射能量和天顶距的函数。我们的研究结果表明，在距离撞击点小于200米的荧光污染是可以忽略不计的两种类型的望远镜。然而，在约1000米处，IACT中的污染约为5%。在这些核心距离，广角探测器记录的信号包含PeV区域约45%的大气荧光。
2018-12-05 astro-ph.IM
