Background Rejection in Atmospheric Cherenkov Telescopes using Recurrent Convolutional Neural Networks
在这项工作中，我们提出了一个新的，高性能的算法，在成像大气切伦科夫望远镜的背景抑制。我们建立在已经流行的机器学习技术在伽马射线天文学中使用的最新技术在机器学习中的应用，即循环和卷积神经网络，背景抑制问题。这些机器学习技术的使用解决了当前实现的算法中遇到的一些关键挑战，并有助于显著提高所有能量下的背景抑制性能。我们将这些机器学习技术应用于H.E.S.S.望远镜阵列，首先测试其性能的模拟数据，然后应用分析两个众所周知的伽马射线源。与真正的观测数据，我们发现显着提高性能，目前的标准方法，与20- 25%的背景率降低时，应用递归神经网络分析。重要的是，我们还发现卷积神经网络的结果强烈依赖于源区域的天空亮度，这对该方法在切伦科夫望远镜分析中的未来实施具有重要意义。
2019-10-21 astro-ph.HE astro-ph.IM
Application of Graph Networks to background rejection in Imaging Air Cherenkov Telescopes
针对成像大气切伦科夫望远镜的强子背景排除难题，提出将探测图像转为图结构、用图卷积网络分类的新算法，性能优于现有机器学习及深度学习方法。
2023-11-07 astro-ph.IM
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
Probing Neural Networks for the Gamma/Hadron Separation of the Cherenkov Telescope Array
我们将卷积神经网络与经典的提升决策树进行了比较，用于分离由伽马射线产生的大气粒子簇射与粒子诱导背景。我们进行比较的两种技术应用于模拟观测数据从切伦科夫望远镜阵列。然后，我们研究了这两种方法产生的受试者工作特征（ROC）曲线，并讨论了两者之间的异同。我们发现，神经网络在特定条件下优于经典技术。
2019-07-04 astro-ph.IM
Signal-background separation and energy reconstruction of gamma rays using pattern spectra and convolutional neural networks for the Small-Sized Telescopes of the Cherenkov Telescope Array
本文提出用模式谱作为CNN输入，对CTA小型望远镜进行伽马射线信号-背景分离与能量重建，计算成本降低约三倍，但性能不及直接基于CTA图像的方法，表明CTA图像含有模式谱未捕捉的额外信息。
2023-11-30 astro-ph.HE astro-ph.IM
On the Estimation of the Depth of Maximum of Extensive Air Showers Using the Steepness Parameter of the Lateral Distribution of Cherenkov Radiation
利用蒙特卡罗模拟的广泛的空气阵雨，我们表明，最大深度的阵雨，$X_{max}$可以估计使用$P=Q(100)/Q(200)$，在100和200米的簇射核心，这是已知的切伦科夫辐射在地面上的横向分布的陡度参数的切伦科夫光子密度的比率。一个简单的二次模型已拟合到一组数据从模拟广泛的空气淋浴，有关的陡度参数和淋浴的最大深度。然后在另一组模拟淋浴器上对该模型进行了测试。模拟的阵雨的实际最大深度与从切伦科夫光的横向分布获得的最大深度之间的平均差约为9 $g/cm^2$。此外，一个更直接的估计从$P$的初始粒子的质量的可能性进行了研究。这两个量之间的指数关系已被拟合。将该模型应用到另一组簇射中，我们发现初级粒子的估计质量与实际质量之间的平均差异小于0.5原子质量单位。
2021-06-04 astro-ph.HE astro-ph.IM
First Full-Event Reconstruction from Imaging Atmospheric Cherenkov Telescope Real Data with Deep Learning
Univ. Savoie Mont Blanc（萨瓦大学勃朗峰分校）；CNRS（法国国家科学研究中心）；LAPP - IN2P3（法国国家核物理与粒子物理研究所安纳西粒子物理实验室）；LISTIC（LISTIC实验室）
切伦科夫望远镜阵列是地基伽马射线天文学的未来。它的第一个原型望远镜在现场建造，大尺寸望远镜1，目前正在调试和采取其第一个科学数据。在本文中，我们首次介绍了基于深度卷积神经网络的全事件重建的开发及其在真实数据中的应用。我们表明，它优于标准分析，无论是模拟和真实数据，从而验证了CTA数据分析的深度方法。这项工作也说明了从模拟数据到实际数据的困难。
2021-05-31 astro-ph.IM cs.LG
Detection of tau neutrinos by Imaging Air Cherenkov Telescopes
本文研究了用切伦科夫成像望远镜寻找非常倾斜的簇射来探测1-1000 PeV能量范围内的τ中微子的可能性。中微子引起的τ轻子从地球逃逸可能会衰变并引发空气簇射，这可以通过荧光或切伦科夫望远镜检测到。我们在这里提出了一个研究的探测潜力的地球掠过中微子考虑到中微子在地壳中的相互作用，当地的物质分布在不同的探测器站点，在空气中的发展τ诱导阵雨和探测切伦科夫光子与IACT。我们分析了相机焦平面上的模拟淋浴图像，并基于Hillas参数实现了通用重建链。我们发现，目前的IACTs可以区分大气簇射诱导的τ中微子从背景的强子簇射在PeV-EeV的能量范围。我们提出的中微子触发效率得到的几个配置正在考虑下一代切伦科夫望远镜，即切伦科夫望远镜阵列。最后，对于一些代表性的中微子光谱预计从天体物理来源，我们比较预期的事件率在运行IACT的预期专用冰立方中微子望远镜。
2016-06-06 astro-ph.IM
Detection of tau neutrinos by Imaging Air Cherenkov Telescopes
本文研究了用切伦科夫成像望远镜寻找非常倾斜的簇射来探测1-1000 PeV能量范围内的τ中微子的可能性。中微子引起的τ轻子从地球逃逸可能会衰变并引发空气簇射，这可以通过荧光或切伦科夫望远镜检测到。我们在这里提出了一个研究的探测潜力的地球掠过中微子考虑到中微子在地壳中的相互作用，当地的物质分布在不同的探测器站点，在空气中的发展τ诱导阵雨和探测切伦科夫光子与IACT。我们分析了相机焦平面上的模拟淋浴图像，并根据Hillas参数实现了通用重建链。我们发现，目前的IACTs可以区分大气簇射诱导的τ中微子从背景的强子簇射在PeV-EeV的能量范围。我们提出的中微子触发效率得到的几个配置正在考虑下一代切伦科夫望远镜，即切伦科夫望远镜阵列。最后，对于一些代表性的中微子光谱预计从天体物理来源，我们比较预期的事件率在运行IACT的预期专用冰立方中微子望远镜。
2015-08-12 astro-ph.IM
Demonstrating of Cosmic Ray Characteristics by Estimating the Cherenkov Light Lateral Distribution Function for Yakutsk Array as a Function of the Zenith Angle
利用CORSIKA程序，模拟了在不同天顶角下，以膝区为中心，初始能量为3 PeV的雅库茨克广泛空气簇射（EAS）阵列的条件和结构，计算了不同初始粒子（e-，n，p，F，K和Fe）的EAS中的Cherenkov光横向分布函数（CLLDF）。基于CLLDF数值模拟的结果，对不同的初级粒子重构了一组近似函数，作为天顶角的函数。参数化CLLDF与雅库茨克EAS阵列模拟的比较进行了验证。参数化的CLLDF也与雅库茨克EAS阵列上测量的比较。
2016-12-15 astro-ph.HE astro-ph.IM
Early attempts at atmospheric simulations for the Cherenkov Telescope Array
切伦科夫望远镜阵列（CTA）将是世界上第一个从天体物理现象中探测伽马射线的天文台，目前正处于原型阶段，预计将于2015/16年开始建造。在这项工作中，我们提出了详细的模拟研究，以评估需要进行大气监测的早期尝试的结果。这将包括一些激光雷达分析方法的讨论，以确定距离分辨大气传输轮廓。我们发现，在增加气溶胶密度水平，模拟伽马射线天文数据系统地转移，导致更软的光谱。与激光雷达数据，我们表明，它是可能的，以适应大气传输模型所需的生成查找表，这是用来推断一个伽马射线事件的能量，从而使它能够纠正受影响的数据，否则将被视为不可用。
2014-03-17 astro-ph.IM
The Non-Imaging CHErenkov Array (NICHE): A TA/TALE Extension to Measure the Flux and Composition of Very-High Energy Cosmic Rays
非成像切伦科夫阵列（NICHE）与TA/TALE位于同一地点，将在其初始部署中测量10^16 eV以下至10^18 eV的宇宙射线的通量和核成分。此外，低能量阈值可以通过计数器重新部署或通过包括额外的计数器而显著降低到宇宙射线拐点以下。NICHE使用易于部署的探测器来测量空气簇射切伦科夫信号的振幅和时间扩展，以实现Xmax和能量的逐事件测量，每个都具有出色的分辨率。NICHE将具有足够的面积和角度接受度，以便与TA/TALE探测器有显著重叠，从而允许能量交叉校准。模拟的NICHE性能表明，该阵列具有区分几种不同成分模型以及测量银河宇宙线光谱末端的能力。
2013-07-15 astro-ph.IM
A pointing solution for the medium size telescopes for the Cherenkov Telescope Array
切伦科夫望远镜阵列（CTA）中望远镜的指向能力是仪器校准的一个关键方面。它描述了天空中的一个位置是如何被转换到望远镜的焦平面上的，并允许对大气粒子簇射进行精确的定向重建。中型望远镜（MST）指向校准的最佳方法是利用安装在碟形天线中心的CCD相机，它可以同时拍摄夜空和焦平面。该解决方案的技术实施和测试结果采取了一个为期一年的MST原型在柏林/Adlershof。还将显示与模拟数据和原型望远镜的测试运行期间采取的实际数据指向校准精度的调查。
2017-09-12 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
A citizen-science approach to muon events in imaging atmospheric Cherenkov telescope data: the Muon Hunter
事件分类是伽玛射线天体物理学中的一项常见任务。它可以用快速发展的机器学习算法来处理，这些算法有可能优于传统的分析方法。然而，机器学习模型的一个主要挑战是从真实数据中提取可靠标记的训练示例。公民科学为应对这一挑战提供了一种有希望的方法。我们介绍了“μ子猎人”，一个在Zooniverse平台上托管的公民科学项目，其中VERITAS数据由个人用户多次分类，以选择和参数化μ子事件，这是宇宙射线诱导簇射的产物。我们使用这个数据集来训练和验证卷积神经网络模型，以识别μ子事件，用于监测和校准。这项工作的结果和我们使用Zooniverse的经验。
2017-08-21 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
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
Parametrization of the angular distribution of Cherenkov light in air showers
空气簇射产生的切伦科夫光对地面伽马射线和宇宙射线观测站观测到的信号有很大贡献。然而，没有描述这种现象是可用的，涵盖小和大角度的簇射轴的区域。为了填补这一空白，切伦科夫光子的角分布的参数化进行的物理动机的参数函数。模型参数的约束，使用模拟的伽马射线和质子簇射的能量在TeV到EeV的区域。其结果是，一个新的参数化，提高了以前的作品的精度。这里提出的结果可用于重建簇射成像切伦科夫望远镜以及在重建簇射轮廓与荧光探测器。
2021-02-05 astro-ph.HE astro-ph.IM
The modeling of the nuclear composition measurement performance of the Non-Imaging CHErenkov Array (NICHE)
在最初的部署中，非成像切伦科夫阵列（NICHE）将通过测量空气簇射切伦科夫信号的振幅和时间扩展来测量10^16 eV以下至10^18 eV的宇宙射线的通量和核成分，以实现Xmax和能量的可靠逐事件测量。NICHE将具有足够的面积和角度接受度，以便与NICHE所在的TA/TALE有显著重叠，从而允许能量交叉校准。为了量化NICHE测量宇宙射线核组成的能力，基于J. Hoerandel的多性腺模型，使用模拟的复合组成的Xmax分布作为能量的函数，构建了4组分组成模型。这些成分分布，然后展开成单独的组件通过分析技术，包括NICHE的模拟Xmax和能量分辨率性能作为能量的函数，以及有限事件统计的影响。详细的建设的4个组成部分的模型和生态位的能力，以确定作为能源的函数的各个组件。
2013-07-15 astro-ph.HE astro-ph.IM
A Monte Carlo study of the relevance of fluorescence radiation in VHE gamma ray observations with Cherenkov telescopes
一般认为，荧光辐射在切伦科夫望远镜的性能中不起重要作用。然而，需要使用详细的蒙特卡罗模拟来验证该假设。为了做到这一点，我们已经实现了生产和跟踪的荧光辐射内CORSIKA代码，并模拟伽马射线诱导的阵雨在非常高的能量范围。迄今为止最准确的荧光产率数据用于此目的。已经研究了地面上两种光分量的分布，作为影响探测和重建伽马射线簇射的各种参数的函数，如孔径角。根据这些分布，我们确定了荧光辐射变得显著的条件。这些结果也将有助于估计切伦科夫望远镜观测中相应的系统误差。完整的模拟结果已经过交叉检查，在一个小样本的事件，对数值计算的基础上的一维淋浴配置文件，并发现是相互兼容的。这两种工具都可以用于进一步的研究，例如研究修改切伦科夫望远镜以测量广泛的空气簇射引起的荧光的可能性。
2017-08-31 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
Simulating the Hyper-Kamiokande Detectors
用Monte-Carlo方法和解析方法模拟了超神冈水-切伦科夫中微子探测器。一些简单的事件也进行了模拟，这些初步的结果。
2018-09-23 astro-ph.IM physics.ins-det
Approximating the Lateral Distribution Function of Cherenkov Radiation as a Function of the Particle Type for Tunka-133 Array
本文的主要工作是分析广泛空气簇射（EAS）中粒子的切伦科夫辐射的横向分布函数（LDF）。利用CORSIKA程序对Tunka-133阵列条件下的垂直簇射的许多基色在膝区附近的1 PeV初级能量下进行了切伦科夫辐射LDF的模拟。根据切伦科夫光LDF的数值模拟结果，对几个粒子重新设置了参数化多项式函数集，作为初级粒子类型的函数。对垂直EAS级联中的几种初级粒子，用近似的切伦科夫辐射LDF与用CORSIKA程序模拟的Tunka-133阵列的LDF进行了比较。
2018-10-24 astro-ph.HE astro-ph.IM
A Cloud-based architecture for the Cherenkov Telescope Array observation simulations. Optimisation, design, and results
模拟和分析非常高能量（VHE）实验的天体物理源的详细观测，如切伦科夫望远镜阵列（CTA），可能是一项艰巨的任务，特别是在CPU消耗和所需存储方面。在这种情况下，我们提出了一个创新的云计算架构的基础上，亚马逊网络服务（AWS），旨在减少所需的时间来模拟和分析一个给定的字段，通过分配工作量和利用AWS提供的大型计算能力。我们详细介绍了亚马逊在线平台提供的各种服务如何在我们的架构中联合使用，并报告了通过单机和基于云的方法模拟CTA对测试源的观察所需的执行时间的比较。我们发现，通过使用AWS，我们可以运行我们的模拟超过2个数量级的速度比使用通用工作站相同的成本。我们建议当观测需要在短时间内进行模拟、分析和得出结论时考虑这种方法。
2019-01-02 astro-ph.IM
Studies towards an understanding of global array pointing for the Cherenkov Telescope Array
对于拟议中的切伦科夫望远镜阵列（CTA），校准后的点源定位精度为3弧秒的目标是在有利的观测条件下，伽马射线能量超过100 GeV。在这方面的贡献，结果的第一次研究的定位精度。这些研究是基于玩具蒙特卡罗模拟的一个典型的CTA南阵列布局，考虑到预期的触发率的不同CTA望远镜类型和伽马射线光谱的模拟源。有了这个模拟代码，它是可能的，以研究作为任意的望远镜错误取向的函数和典型的观测模式的天空中的位置精度。结果提出了各种方案，其中包括一个所有的个别望远镜随机错误的方向在其规定的限制。该研究为CTA的预期源定位精度提供了可靠的下限，并且可以很容易地扩展到包括大气折射或部分云覆盖等各种其他重要影响。
2015-09-07 astro-ph.IM
Prototype Open Event Reconstruction Pipeline for the Cherenkov Telescope Array
切伦科夫望远镜阵列（CTA）是目前正在建设的下一代伽马射线天文台。它的灵敏度将比当前一代的成像大气切伦科夫望远镜（IACT）提高5到10倍，它将能够从两个站点的组合中观察整个天空：西班牙拉帕尔马的北部站点和智利帕拉纳尔的南部站点。CTA也将是第一个开放的伽马射线观测站。因此，数据分析管道被开发为开源软件。事件重建管道接受望远镜的原始数据，并对其进行处理，为更高级别的科学工具提供合适的输入。它的主要任务包括重建每个记录的簇射的物理性质，并提供相应的仪器响应函数。CTIPE是一个框架，提供算法和工具，以促进原始数据校准、图像提取、图像参数化和事件重建。其主要重点是目前模拟数据的分析，但它也已成功地应用于第一个CTA原型望远镜，如大型望远镜1（LST-1）获得的数据分析。pyirf是一个计算IACT仪器响应函数的库，需要从重建的事件列表中获得光谱和光变曲线等物理结果。在这两个基础上，protopipe是CTA事件重建管道的原型。将介绍这些软件包的最新发展。
2021-10-21 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
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
Stellar intensity interferometry: Optimizing air Cherenkov telescope array layouts
千米级的光学成像器似乎可以通过强度干涉测量法来实现，使用望远镜主要用于测量伽马射线引起的切伦科夫光。计划中的阵列设想有50- 100台望远镜，分布在大约1- 4公里的$^2$上。虽然阵列布局和望远镜的大小将主要选择伽马射线观测，也可以优化其干涉性能。对不同阵列几何形状的恒星物体观测进行了数值模拟，得出了干涉仪$(u,v)$平面中源图像不同傅立叶分量的信噪比。模拟实际上提出了未来切伦科夫望远镜阵列的布局，并为子集只有一小部分的望远镜。所有大型阵列提供密集的采样的$(u,v)$ -平面由于纯粹的望远镜数量，无论其地理方向或恒星坐标。然而，为了改善$(u,v)$平面的覆盖范围和更广泛的基线（能够更好地重建图像），对于众多较小的望远镜，应避免精确的东西网格，对于少数大型望远镜，应避免重复的几何图案。稀疏阵列由于缺乏短基线而受到严重限制，为了覆盖可见光波长0.1- 3毫角秒之间的天体物理学相关尺寸，望远镜对之间的基线应覆盖30- 2000米的整个间隔。
2010-09-29 astro-ph.IM
The analysis of VERITAS muon images using convolutional neural networks
成像大气切伦科夫望远镜（IACT）对罕见的伽马射线光子敏感，这些光子隐藏在带电宇宙射线（CR）粒子的背景中，其通量要大几个数量级。从CR粒子中分离伽马射线的能力很重要，因为它直接关系到仪器的灵敏度。IACT数据分析中的伽马射线/CR粒子分类问题可以用快速发展的机器学习算法来处理，这些算法有可能在图像参数上优于传统的盒切割方法。我们提出了一个小的μ子事件使用卷积神经网络模型与原始图像作为输入特征的精确分类的初步结果。我们还展示了使用卷积神经网络模型解决回归问题的可能性，例如μ子事件的半径和亮度测量，这可用于校准IACT的吞吐量效率。
2016-11-29 astro-ph.IM
Correction method applied to MC simulated LST images affected by clouds
针对云层导致的成像大气切伦科夫望远镜图像偏差，研究在 ctapipe/lstchain 中实现基于几何发射模型的校正方法，并利用 CORSIKA 模拟 LST 甚高能事件评估其对图像和立体簇射参数的影响。
2024-02-28 astro-ph.HE astro-ph.IM
Stellar Intensity Interferometry: Imaging capabilities of air Cherenkov telescope arrays
可见光波段的亚毫角秒成像将为恒星天体物理研究提供新的视角。尽管恒星强度干涉测量在40多年前就被放弃了，但它能够成像，从而完成比以前认为的恒星直径测量更多的事情。各种相位恢复技术可以用来重建实际图像提供了足够的覆盖范围的干涉平面是可用的。计划中的大型切伦科夫望远镜阵列将提供数千个同时可用的基线，范围从几十米到一公里以上，从而使成像成为可能，具有前所未有的角分辨率。在这里，我们调查的阵列，如CTA或AGIS作为恒星强度干涉接收器的成像能力。这项研究利用了模拟数据，因为可以从这些阵列实际获得。基于Cauchy-Riemann的相位恢复允许图像的重建，其可以与针对其模拟数据的原始图像进行比较。这是第一次这样做的均匀盘星具有不同的半径和相应的各种曝光时间，我们发现，在重建半径的不确定性是几个小时的曝光时间后的百分之几。最后，更复杂的图像被认为是，在亚毫弧秒尺度的成像是可能的。
2010-09-28 astro-ph.IM astro-ph.SR
A Monte Carlo template-based analysis for very high definition imaging atmospheric Cherenkov telescopes as applied to the VERITAS telescope array
我们提出了一个复杂的似然重建算法，用于成像切伦科夫望远镜的簇射图像分析。重建算法基于相机像素幅度与基于蒙特卡罗模型的预测的比较。簇射参数由似然函数的最大化确定。作为淋浴适合参数的函数的可能性的最大化使用数值非线性优化技术来执行。CAT和H.E.S.S.已经开发了相关的重建技术。实验，并提供了一个更精确的方向和能量重建的光子诱导簇射相比，第二时刻的相机图像分析。示例显示的性能的分析模拟伽马射线数据从VERITAS阵列。
2015-09-07 astro-ph.HE astro-ph.IM
High angular resolution imaging with stellar intensity interferometry using air Cherenkov telescope arrays
利用由近100台望远镜组成的空气切伦科夫望远镜阵列进行的恒星强度光学干涉测量，将提供测量基本恒星参数的手段，并开辟独立于模型成像的可能性。除了灵敏度问题之外，强度干涉测量中的图像恢复的主要限制是在测量过程期间相干的复杂程度的相位的损失。然而，已经开发了几种模型无关的相位重建技术。在这里，我们实现了一个基于Cauchy-Riemann的算法，从模拟数据中恢复图像。对于明亮的恒星（m_v~6）和几个小时的曝光时间，我们发现，尺度特征如直径、扁率和整体形状的重建具有百分之几的不确定性。更复杂的图像也被很好地重建，具有与原始图像的高度相关性。通过使用前向算法，结果得到进一步改善。
2011-08-23 astro-ph.IM astro-ph.SR
Deep-learning-driven event reconstruction applied to simulated data from a single Large-Sized Telescope of CTA
当极高能量的伽马射线在地球大气层的高处相互作用时，它们会产生级联的粒子，引起切伦科夫光的闪烁。成像大气切伦科夫望远镜（IACTs）检测到这些闪光，并将其转换为可以分析的簇射图像，以提取原始伽马射线的属性。IACTs的主要背景是由宇宙强子产生的空气簇射图像组成，具有几个数量级的典型噪声信号比。用于区分伽马射线引发的图像和强子引发的图像的标准技术是基于经典的机器学习算法，例如随机森林，该算法对从图像中提取的一组手工参数进行操作。同样地，使用这些参数来执行初级伽马射线的能量和到达方向的推断。基于卷积神经网络（CNN）的最先进的深度学习技术有可能提高事件重建性能，因为它们能够自主地从原始图像中提取特征，利用在参数化过程中被淘汰的像素信息。在这里，我们介绍了通过应用深度学习技术重建来自单个下一代IACT的蒙特卡洛模拟事件所获得的结果，即切伦科夫望远镜阵列（CTA）的大型望远镜（LST）。我们使用CNN将伽马射线诱导的事件与强子事件分开，并重建前者的属性，将其性能与标准重建技术进行比较。三个独立的实现基于CNN的事件重建模型已被用于这项工作中，产生一致的结果。
2021-09-29 astro-ph.HE astro-ph.IM
Impact of the Cherenkov Telescope Array (CTA) altitude on Dark Matter searches in the Milky Way Halo
利用现有的切伦科夫地面望远镜对矮星系和银河系晕进行的观测发现，当WIMP质量超过100 GeV时，暗物质（DM）自湮灭的横截面受到了有趣的限制。未来的切伦科夫望远镜阵列（CTA）有望进一步探索粒子物理学标准模型扩展中预测的暗物质候选者的参数空间。由于它的低能量阈值（几十GeV的数量级）和高灵敏度，CTA也将探测比目前实验更低的WIMP质量，但在这一制度的实际性能将受到海拔高度的天文台。使用可能的CTA候选阵列的模拟光子和强子的响应，我们估计如何搜索从银河系晕的WIMP湮灭信号将受到不同的可能CTA网站的海拔高度的影响。
2013-07-17 astro-ph.HE astro-ph.IM
Using conditional variational autoencoders to generate images from atmospheric Cherenkov telescopes
Skobeltsyn Institute of Nuclear Physics, Lomonosov Moscow State University（罗蒙诺索夫莫斯科国立大学斯科别利岑核物理研究所）；Applied Physics Institute of Irkutsk State University（伊尔库茨克国立大学应用物理研究所）；Lomonosov Moscow State University（罗蒙诺索夫莫斯科国立大学）
高能粒子撞击地球的高层大气会产生大范围的空气簇射，可以使用成像大气切伦科夫望远镜从地面上探测到。切伦科夫望远镜记录的图像可以被分析，以将伽马射线事件与背景强子事件分开。许多分析方法需要通过蒙特卡罗方法模拟大量的事件和相应的图像。然而，蒙特卡罗模拟在计算上是昂贵的。通过蒙特卡洛方法模拟的数据可以通过使用更快的机器学习方法（如生成对抗网络或条件变分自编码器）生成的图像来增强。我们使用一个条件变分自动编码器生成图像的伽马事件从切伦科夫望远镜的TAIGA实验。变分自动编码器在一组蒙特卡洛事件上进行训练，图像大小或像素幅度之和用作条件参数。我们使用经过训练的变分自动编码器来生成具有与伽马事件的蒙特卡罗模拟图像的尺寸分布相同的条件参数分布的新图像。生成的图像类似于蒙特卡洛图像：在伽马和质子事件上训练的分类器神经网络为它们分配了平均伽马分数0.984，其中不到3%的事件被分配了低于0.999的伽马分数。与此同时，生成的图像的大小与生成时使用的条件参数不匹配，平均误差为0.33。
2022-11-22 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
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
Study of water Cherenkov detector design for ground-based gamma-ray experiments
在SWGO实验的发展框架中，我们对基于水切伦科夫探测器阵列的广泛的空气簇射天文台的单个单元进行了详细的研究。事实上，SWGO的一种可能的水切伦科夫探测器单元配置由水箱组成，为了达到高探测效率和伽马射线和强子空气簇射之间的区分能力，正在研究不同的水箱设计。在这项研究中，我们考虑了双层坦克与几个大小，形状和数量的光电倍增管（PMT）。具有广泛空气簇射中的次级粒子的典型能量的μ子、电子和伽马射线已经被模拟以从0到60度的天顶距进入储罐。考虑由PMT产生的光电子的数量、检测效率和第一光子的测量的时间分辨率来评估槽响应。该分析允许比较具有不同尺寸、PMT配置以及具有圆形、六边形和正方形几何形状的坦克的性能。本文将讨论所使用的方法和结果。
2022-05-04 astro-ph.IM physics.ins-det
Survey of the Galactic Plane with the CherenkovTelescope Array
用目前这一代的甚高能伽马射线望远镜进行的观测揭示了银河系中令人惊讶的各种各样的粒子加速器，如超新星遗迹、脉冲星风星云和双星系统。即将到来的切伦科夫望远镜阵列（CTA）将是第一台能够在几十GeV到300 TeV的能量范围内对整个银河系平面进行调查的仪器，具有前所未有的灵敏度和改进的角分辨率。在这篇文章中，我们将重新审视调查的科学动机，作为CTA的一个关键科学项目。我们将重点介绍最近的进展，包括改进的银河系源种群和星际排放的物理模型，推进调查策略的优化，以及开发管道以获得模拟数据测试的源目录。在此基础上，我们将提供一个新的预测的源的属性，CTA将检测和讨论的预期科学回报的研究伽玛射线源人口。
2021-09-08 astro-ph.HE astro-ph.IM
Gadolinium Loaded Cherenkov Detectors for Neutron Monitoring in High Energy Air Showers
对高能宇宙射线中子的监测对于宇宙射线水切伦科夫探测器特别有意义，因为已经发现在高能空气簇射的初始通过之后到达的强缓发中子束。在本文中，我们探讨的可能性，建立大面积的高能中子监测器使用钆水契伦科夫探测器（WCD）。GEANT 4模拟光子生产WCD被用来估计最大的检测效率为一个假设的系统。要求一系列中子感生伽马射线闪烁分布在一个延长的时间段（高达20μs）被证明是一个有效的方法来区分高能中子相互作用从其他背景。结果表明，4-15%的中子探测效率可能是可能的，使用钆负载的检测系统超过200兆电子伏。钆负载的大小也被证明是显着修改的模拟探测器的定时响应。
2021-12-23 astro-ph.IM hep-ex physics.ins-det
Interpolation of Instrument Response Functions for the Cherenkov Telescope Array in the Context of pyirf
针对 CTA 每次观测均由模拟生成 IRFs 成本过高的问题，本文在 pyirf 与 LST-1 模拟数据上比较多种 IRF 组件插值方法，并介绍 pyirf 的现有功能。
2023-09-28 astro-ph.HE astro-ph.IM
Event reconstruction techniques for the wide-angle air Cherenkov detector HiSCORE
广角，非成像空气切伦科夫探测器提供了一种观察宇宙伽马射线的方法，这是对切伦科夫望远镜成像观测的补充。它们的特殊优势在于多TeV到超高能量范围（E > 30 TeV），其中需要大的有效面积，但每个探测器站的光敏面积很小。为了充分利用这一潜力，需要大的站间距，以合理的努力实现大的有效面积。在这样的探测器中，每个事件的信号数量少，成像信息的缺乏，以及切伦科夫光与夜空亮度的信噪比差，对事件重建，特别是伽马强子分离提出了相当大的挑战。本文中提出的事件重建已被开发用于广角探测器HiSCORE，但概念可以更一般地应用。它是在10 TeV至5 PeV的能量范围内的模拟数据进行测试。在测试中，假设一个由22 x 22个探测站组成的规则网格，间距为150 m，覆盖面积为10 km^2。发现单个事件的角分辨率在能量阈值附近为约0.3度，在较高能量下提高到低于0.1度。相对能量分辨率在阈值处为20%，在较高能量处提高到10%。描述了γ强子分离的几个参数。通过这些参数的组合，可以抑制80%至90%的强子背景，而保留约60%的伽马射线事件。在保守的假设下，对于10 km^2的阵列，在100 TeV的伽马射线下，点源对伽马射线源的灵敏度估计约为8 x 10^（-13）erg / s / cm^2。在更乐观的假设下，如果使用100 km^2的阵列，则可以实现约1 x 10^（-13）erg / s / cm^2的…
2013-02-16 astro-ph.IM
CASI: A Convolutional Neural Network Approach for Shell Identification
我们利用深度学习技术来识别模拟分子云中的恒星反馈特征。具体来说，我们实现了一个具有类似于U-Net架构的深度神经网络，并将其应用于使用嵌入恒星源的湍流分子云的磁流体动力学模拟数据识别风驱动的壳和气泡的问题。该网络被应用到两个任务，密集回归和分割，两种数据，模拟密度和合成12 CO观测。我们的卷积壳识别方法（CASI）能够获得大于90%的真阳性率，同时保持1%的假阳性率，在两个分割任务上，并且在相关的回归任务上也表现良好。CASI的源代码可以在GitLab上找到。
2019-06-12 astro-ph.IM
Advanced modelling of Night Sky Background light for Imaging Atmospheric Cherenkov Telescopes
本研究提出一种基于物理驱动的大气切伦科夫成像望远镜夜空背景光逐像素仿真方法，该方法考虑了多种光源及大气与望远镜因素，经验证其预测精度显著优于传统恒定背景模型。
2025-05-19 astro-ph.IM
Particle identification in ground-based gamma-ray astronomy using convolutional neural networks
现代的宇宙伽马射线探测器是一种特殊类型的成像望远镜（空气切伦科夫望远镜），配备有相对大量的基于光电倍增管的像素的相机。例如，TAIGA-IACT望远镜的相机具有560像素的六边形结构。这种相机中的图像可以通过深度学习技术进行分析，以提取许多物理和几何参数和/或用于传入颗粒识别。在这项研究中实现了用于图像分析的最强大的深度学习技术，即所谓的卷积神经网络（CNN）。两个用于机器学习的开源库PyTorch和TensorFlow作为可能的软件平台进行了测试，用于成像空气切伦科夫望远镜中的粒子识别。进行蒙特卡罗模拟来分析伽马射线和背景粒子（质子）的图像并估计识别准确度。进一步的实施和改进的步骤，这种技术进行了讨论。
2018-12-04 astro-ph.IM cs.DC physics.data-an
Optimal strategies for observation of active galactic nuclei variability with Imaging Atmospheric Cherenkov Telescopes
可变发射是活动星系核的主要特征之一。虽然提供了关于源的性质和物理学的宝贵信息，但可变性通常具有挑战性，难以用成像大气切伦科夫望远镜（IACT）等时间和视野有限的天文观测台进行观测。在这项工作中，我们解决了两个问题相关的观测活动星系核的变化特征的来源：什么是最有效的方法来检测这样的来源，以及什么是观测偏差，可以通过选择的观测策略进行盲目调查的天空。不同的观测策略进行了评估，使用模拟的光变曲线和现实的仪器响应函数的切伦科夫望远镜阵列（CTA），未来的伽马射线天文台。我们表明，利用非常小的观察窗口，在很长的时间内传播的策略，允许更快地检测的源，并较少受影响的变化特性的来源，相比的策略，集中观察时间在少数几个大的观察窗口。虽然使用CTA作为一个例子，我们的结论是概念上有效的任何IACTs设施，并在一般情况下，所有观测站的小视场和有限的占空比。
2016-03-17 astro-ph.HE astro-ph.IM
Application of convolutional neural networks for extensive air shower separation in the SPHERE-3 experiment
针对SPHERE-3实验，利用卷积神经网络对蒙特卡洛模拟图像分类，实现广延大气簇射与背景的分离，并与SPHERE-2触发系统性能对比。
2024-10-03 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
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
Monte Carlo comparison of mid-size telescope designs for the Cherenkov Telescope Array
切伦科夫望远镜阵列（Cherenkov Telescope Array，CTA）是一个未来的甚高能伽马射线天文台。CTA将由小型、中型和大型望远镜组成，覆盖能量范围从几十GeV到几百TeV，灵敏度将超过现有望远镜一个数量级。我们研究的目的是找到中型望远镜（MSTs）的最佳设计，这将决定在几百GeV到大约10 TeV的关键能量范围内的灵敏度。为了研究望远镜设计参数对阵列性能的影响，我们模拟了61个MST阵列，间距为120米，各种望远镜配置。我们调查的主要望远镜的特性，包括光学分辨率，像素大小，和光收集面积的总阵列性能的影响，特别强调望远镜配置的成像性能类似于建议的戴维斯-棉花（DC）和施瓦茨希尔德-库德（SC）MST设计。我们比较这些望远镜设计的性能，特别是实现伽马射线角分辨率和差分点源灵敏度。
2012-11-14 astro-ph.HE astro-ph.IM
Characterization of the Cherenkov Photon Background for Low-Noise Silicon Detectors in Space
University of Chicago（芝加哥大学）；Fermi National Accelerator Laboratory（费米国家加速器实验室）；NSF-Simons AI Institute for the Sky (SkAI)（NSF-西蒙斯天空人工智能研究所）；NASA Goddard Space Flight Center（美国宇航局戈达德太空飞行中心）
本文研究了空间中低噪声硅探测器的切连科夫光背景特性，分析了探测器厚度、太阳活动及重宇宙射线对背景率的影响，并展示了厚探测器在长波长处的优势。
2025-12-07 astro-ph.EP 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
