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
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
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
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
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
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
A maximum-likelihood-based technique for detecting extended gamma-ray sources with VERITAS
伽马射线观测范围从数百MeV到数十TeV，是研究银河系内粒子加速和扩散的宝贵工具。超新星遗迹、脉冲星风星云和恒星形成区是我们银河系的主要粒子加速器。构建这些天体的相干物理图像需要能够区分伽马射线发射的扩展区域，分析这些区域内小尺度空间变化的能力，以及综合多个波段多个观测站数据的方法。成像大气切伦科夫望远镜（IACT）为100 GeV以上的伽马射线提供了精细的角分辨率（<0.1度）。典型的数据简化方法依赖于视场中的无源区域来估计宇宙线背景。这对于范围未知的源或包含大部分IACT视场（VERITAS为3.5度）的源造成了困难。基于极大似然的技术非常适合于分析具有多个重叠源、扩散背景分量和组合来自多个观测站的数据的场。这种方法还提供了一种估计IACT宇宙射线背景的替代方法，从而提高了对大范围扩展源的灵敏度。在本程序中，我们报告了IACT VERITAS的极大似然技术的当前状态和性能。特别是，我们专注于我们的方法框架如何采用一个维度的γ-强子分离参数，以提高灵敏度扩展源。
2021-08-17 astro-ph.HE astro-ph.IM
Reconstruction of IACT events using deep learning techniques with CTLearn
成像大气切伦科夫望远镜阵列（IACT）是探测甚高能伽马射线天空的极好仪器。这种类型的望远镜将由极高能量伽马射线和宇宙射线引发的空气簇射发射的切伦科夫光聚焦到相机平面上。然后，一个快速的相机将空气簇射的纵向发展数字化，记录其空间，时间和热量信息。然后可以从这些图像中推断引发空气簇射的初级极高能粒子的性质：初级粒子可以被分类为伽马射线或宇宙射线，并且可以估计其能量和入射方向。这种所谓的全事件重建对阵列对伽马射线的敏感性至关重要，可以通过机器学习技术来辅助。我们提出了一种深度学习驱动的全事件重建，应用于使用CTLearn模拟的IACT事件。CTLearn是一个Python包，其中包括用于加载和操作IACT数据的模块，以及用于使用像素相机数据作为输入，使用TensorFlow运行深度学习模型的模块。
2021-01-19 astro-ph.IM
The role of the hadron initiated single electromagnetic subcascades in IACT observations
成像空气切伦科夫望远镜（IACTs）的灵敏度显着下降，在低能量，因为伽马/强子分离变得更加复杂。本文利用蒙特卡罗模拟研究了单个电磁子级联事件对四个IACT系统的γ/强子分离效率的影响。这些研究的目的是：两种不同的天文台高度，三种不同的望远镜尺寸和两种强子相互作用模型（GHEISHA和FLUKA）。超过90%的单电磁质子引起的子级联事件的淋浴与初级能量低于200 GeV，无论触发阈值。使用FLUKA模型的γ/强子分离的估计效率是类似的使用GHEISHA模型获得的结果。然而，对于至少一个触发望远镜，一个较高比例的单一电磁子级联事件，从FLUKA模型。最后，计算出的品质因数与质子引发簇射中假γ射线事件的贡献是反相关的。因此，单次电磁子级联事件的发生是低能初级γ射线选择效率恶化的主要原因之一。
2015-06-24 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
Gamma-Hadron Separation in Very-High-Energy gamma-ray astronomy using a multivariate analysis method
近年来，成像大气切伦科夫望远镜（IACTs）发现了天空中丰富多样的甚高能量（VHE，> 100 GeV）伽马射线辐射源。这些仪器对大气中伽马射线诱导粒子级联发射的切伦科夫光进行成像。通过考虑簇射图像的形状，可以有效地减少来自更多宇宙射线级联的背景，并且减少这种背景的能力是决定IACT灵敏度的关键方面之一。在这项工作中，我们应用树分类方法的数据从高能立体系统（H.E.S.S.）。我们展示了该方法的稳定性及其与H.E.S.S.相比产生改进的背景减少的能力。标准分析。
2009-04-07 astro-ph.HE astro-ph.IM
Potential for measuring the longitudinal and lateral profile of muons in TeV air showers with IACTs
μ子在地球大气中的强子广泛空气簇射（EAS）中大量产生，并被粒子空气簇射探测器用作识别引发EAS的初级宇宙射线的手段。成像大气切伦科夫望远镜（IACTs），设计用于探测γ射线启动EAS的甚高能（VHE）γ射线天文学的目的，受到一个相当大的背景信号，由于强子EAS。虽然强子EAS通常被拒绝用于伽马射线分析目的，但在这种簇射中产生的单个μ子在IACT中产生清晰可识别的信号，μ子图像通常被保留并用于校准目的。对于具有立体触发器的IACT阵列，当μ子触发一台望远镜时，IACT阵列中的其他望远镜通常会检测到相关的强子EAS。我们首次展示了IACT阵列的竞争力测量的μ子含量的空气簇射，其横向分布和纵向剖面的生产倾斜高度在TeV的能量范围内的潜力。这些信息可以为强子相互作用模型提供有用的输入。
2019-03-28 astro-ph.IM hep-ex
Geomagnetic field and altitude effects on the performance of future IACT arrays
IACT的阵列的性能对观测站的高度和地磁场（GF）敏感。这两种效应在亚TeV γ射线测量中起着重要的作用。我们调查的影响，GF的检测率和能量阈值的五个可能的位置，未来CTA天文台使用蒙特卡罗模拟。我们的结论是，伽玛射线的探测率和阵列的能量阈值可以拟合的线性函数的高度和垂直于簇射轴芯的GF的分量。这些结果可以直接外推用于CTA的任何可能的定位。在本文中，我们还显示了这两个地球物理效应的影响，对图像的淋浴和伽玛/强子分离。
2015-01-13 astro-ph.IM
A 3-Dimensional Likelihood analysis method for detecting extended sources in VERITAS
从几百MeV到几十TeV的伽马射线观测是研究银河系内粒子加速和扩散的宝贵工具。构建粒子加速器（如超新星遗迹、脉冲星风星云和恒星形成区）的相干物理图像需要能够探测伽马射线辐射的扩展区域，分析这些区域内的小尺度空间变化，并综合来自多个波段的多个观测站的数据。成像大气切伦科夫望远镜（IACT）对100 GeV以上的伽马射线提供了精细的角分辨率（<0.1 $^\circ$）。然而，它们有限的视场通常使扩展源的检测具有挑战性。极大似然方法非常适合于同时分析具有重叠源的多个场和组合来自多个伽马射线观测站的数据。这种方法还提供了一种估计IACT宇宙射线背景的替代方法，从而提高了对可能与望远镜视场一样大的源的灵敏度。我们在此报告IACT VERITAS的极大似然技术的现状和性能。
2019-08-14 astro-ph.HE 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
Silicon photomultiplers in Very High Energy gamma-ray astrophysics
在过去的十年中，硅光电倍增器（SiPM）在实验和应用中占据了一席之地，其中光电倍增管在几十年中一直是占主导地位的光电传感器。用于甚高能（VHE，E $>$ 50 GeV）伽马射线天文学的成像大气切伦科夫望远镜（IACT）也经历着同样的过程。到目前为止，FACT是唯一使用SiPM的IACT。在切伦科夫望远镜阵列（CTA）中，下一代VHE伽马射线天文台计划建造至少70台配备SiPM的望远镜。第一批原型已经建成，目前正在试运行。在这里，我们讨论了一些VHE伽马射线天文学中使用SiPM的优点和缺点，并提供了一个简短的概述不同的发展有关的使用SiPM在IACT。
2020-05-14 astro-ph.IM
A new method of reconstructing very-high-energy gamma-ray spectra: the Template Background Spectrum
极高能（VHE，E>0.1 TeV）伽马射线发射区的角度范围与当前成像空气切伦科夫望远镜（IACT）的视场相当，需要对无源区域进行额外的观测，以估计对能谱的背景贡献。这减少了有效的观察时间并降低了灵敏度。本文提出了一种不需要对无源区进行额外观测就能从IACT数据重建光谱的新方法。其应用不限于任何特定的IACT或数据格式。在模板背景法的基础上，提出了一种新的基于IACT数据的光谱重建方法--模板背景谱（TBS），并在已发表的H.E.S.S.数据和H.E.S.S.结果在H.E.S.S.报告的VHE γ射线谱之间发现了很好的一致性。与TBS重新分析的数据。这包括分析点状源，在拥挤的地区，非常广泛的来源，直到源的流量的百分之几的蟹状星云流量和过剩的背景比约0.1。然而，TBS背景归一化引入了新的统计和系统误差，这些误差被考虑在内，但可能构成非常微弱的扩展源的限制情况。TBS方法使得能够在其他方法受到阻碍甚至失败时进行数据的光谱重建。它不需要专门观察VHE伽马射线自由区域（例如，如开/关背景所做的那样），并且规避了用于重建VHE伽马射线发射区域的谱信息的其他方法（例如，反射区域背景）易于遇到的已知几何限制;在特定情况下，TBS将是重建能谱的唯一可行方式。
2014-07-03 astro-ph.HE 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
Observation of shadowing of the cosmic electrons and positrons by the Moon with IACT
最近对宇宙射线电子（e-）和正电子（e+）通量的测量显示，与我们银河系中标准宇宙射线（CR）传播模型所预期的光谱相比，明显过量。这些过度可能与局部天体物理对象中的粒子加速有关，或者与暗物质湮灭/衰变有关。e+/e-比（测量到~100 GeV）意外地增加到10 GeV以上，这可能与在300-800 GeV的全电子通量中测量到的过量有关。在更高能量下测量这个比率是理解这些光谱异常起源的关键参数。成像大气切伦科夫望远镜（IACT）探测到100 GeV以上的电磁空气簇射，但是，使用这种技术，区分原始e-，e+和漫射伽马射线几乎是不可能的。然而，月球和地磁场提供了一个令人难以置信的机会来分离这三个组成部分。事实上，月球在各向同性的CR通量中产生了一个直径为0.5度的洞，地球磁层根据粒子的动量和电荷来移动CR通量。在几TeV以下，e+和e-的阴影在月球两侧移动> 0.5度，e+、e-和伽马射线的阴影在空间上是分离的。IACT可以观察到e+和e-阴影，但在视场中没有直射月光，但散射月光诱导了非常高的背景水平。MAGIC在最高海拔（2200米）运行，拥有目前IACT最大的望远镜（17米），是在这些特殊条件下达到低能量阈值的最佳候选者。在这里，我们讨论这种观察的可行性。
2009-07-06 astro-ph.HE astro-ph.IM
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
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
Cherenkov Telescopes as Optical Telescopes for Bright Sources: Today's Specialised Thirty Metre Telescopes?
成像大气切伦科夫望远镜（IACT）使用具有角分角分辨率的大孔径（~ 10 - 30米）光学望远镜来探测大气中的TeV伽马射线。我表明，IACT非常适合于明亮光源（V <= 8 - 10）的光学观测，因为这些光源比天空背景更亮。它们的优势在快速的时间尺度上尤其明显。因此，IACT是研究许多光学现象的理想工具，包括凌日系外行星和最明亮的伽马射线暴。原则上，IACT可以通过秒长曝光实现这些物体的毫米级测光。我还考虑了IACTs的光谱学的潜力，发现它们的角分辨率差限制了它们在高光谱分辨率中的用途，除非开发出复杂的仪器。IACT的高光子收集率对于精确的偏振测量是潜在有用的。最后，我简要讨论了超大型低分辨率望远镜的更广泛的可能性，包括10”分辨率望远镜和星载望远镜。
2011-06-15 astro-ph.IM
Open high-level data formats and software for gamma-ray astronomy
在伽马射线天文学中，传统上使用各种数据格式和专有软件，通常是为一个特定的任务或实验开发的。特别是对于地基成像大气切伦科夫望远镜（IACT），数据和软件大多是操作望远镜的合作伙伴的私有。然而，科学界普遍倾向于使用开放数据和软件。此外，下一代IACT仪器切伦科夫望远镜阵列（CTA）将作为开放式天文台运行。我们在https://github.com/open-gamma-ray-astro上创建了一个Github组织，在那里我们正在开发高级数据格式规范。在https://lists.nasa.gov/mailman/listinfo/open-gamma-ray-astro上建立了一个公共邮件列表，并于2016年4月在Meudon（法国）举行了关于IACT高级别数据模型和格式的第一次面对面会议。这一开放式多任务努力将有助于加速伽马射线天文学开放数据格式和开放源码软件的开发，从而在开发分析代码方面产生协同作用，并最终获得更好的科学成果（可复制、多任务）。本文首次介绍了这一工作，解释了动机和背景，我们使用的可用资源和过程，以及数据格式规范的状态和计划的后续步骤。我们希望它能够激发伽马射线天文学界的反馈和未来的贡献。
2016-10-06 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
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
Pointing optimization for IACTs on indirect dark matter searches
我们提出了一个程序来优化偏移角（通常也被称为摆动距离）和信号积分区域的观测和分析的扩展源成像大气切伦科夫望远镜（IACTs），如MAGIC，HESS，VERITAS或（在不久的将来），CTA。我们的方法考虑到离轴仪器的性能和伽马射线源的发射轮廓。我们采取的情况下，研究间接的暗物质搜索（在预期的信号形态的先验知识，可以假设），并提供最佳的指向策略执行搜索的暗物质一组矮球状星系与当前和未来的IACT。
2018-08-01 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
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
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
The Influence of Satellite Trails on H.E.S.S. Gamma-Ray Astronomical Observations
本研究利用 H.E.S.S. 的 NSB 数据识别卫星轨迹，评估其对高能广延大气簇射事件 Hillas 参数的影响，并预测未来卫星发射对 IACTs 伽马射线观测的潜在影响。
2023-08-03 astro-ph.HE 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
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
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
Enhanced H.E.S.S. II low energies performance thanks to the focus system
对于目前这一代成像大气切伦科夫望远镜（IACT），其大镜子和相机与光电探测器的精细分割，聚焦能力是一个相关的问题。IACT的光学系统具有有限的景深。因此，将望远镜聚焦在大气层中的簇射极大值附近对数据采集和分析有重大影响。由于簇射最大值到望远镜的距离取决于天顶角，因此需要可调节的焦点。H.E.S.S.的第五切伦科夫望远镜。II阵列配备了一个聚焦系统，可以在数据采集期间沿光轴调整相机的位置。这种影响已被研究的伽马射线蒙特卡罗模拟，并在伽马射线触发率，能量重建和伽马射线有效面积方面的结果将显示。
2015-09-09 astro-ph.HE astro-ph.IM
A parameterisation of the longitudinal Cherenkov emission profiles of gamma induced electromagnetic showers in the atmosphere in the GeV-TeV energy range
在伽马射线天文学中，大气层被用作热量计。GeV-TeV能量范围内的入射伽马射线是通过它们在大气中产生的电磁簇射和它们发出的切伦科夫光来观测的。我们的目标是获得一个参数化的纵向剖面的电磁簇射在大气中。这些簇射的纵向切伦科夫发射剖面可以用来重建γ光子的参数以及γ强子的鉴别。因此，获得这些配置文件的精确参数化可以用于IACT图像的分析，以及快速模拟大气中伽马诱导的簇射的切伦科夫发射。在此之前没有系统地进行过这种参数化。我们进行了大气中γ射线诱发的簇射的蒙特卡罗模拟。它们的切伦科夫发射纵剖面的参数化是基于粒子探测器物理学中使用的众所周知的伽马函数。我们评估的纵向切伦科夫发射轮廓的最大和平均深度的深度，以及参数$1/β$上的初始簇射的能量的依赖性。我们还研究了与伽马函数相关的各种参数的分布，发现$β/α$和$1/α$具有高斯分布，并且彼此不相关，这使得它们成为评估切伦科夫发射轮廓波动的合适变量。最后，我们提出了这两个变量的波动的参数化。
2020-10-30 astro-ph.HE astro-ph.IM
Monitoring Gamma-Ray Burst VHE emission with the Southern Wide-field-of-view Gamma-ray Observatory
伽马射线暴（GRB）可以产生超高能辐射（E > 100 GeV），这为研究高能区的粒子加速和辐射特性开辟了新的途径。我们预计切伦科夫望远镜阵列（CTA）等下一代仪器将标志着其观测的巨大改进。然而，对目标的可见性和成像大气切伦科夫望远镜（IACT）的有限的占空比的约束降低了他们的能力，迅速作出反应，瞬态事件和他们的一般属性。在这里，我们表明，广泛的空气簇射（EAS）阵列的概念，提出了由南方宽视场伽玛射线天文台（SWGO）合作的基础上的仪器，有希望的可能性，以检测和跟踪VHE辐射的伽玛暴。费米大面积望远镜（Fermi-LAT）的观测发现了一些具有独特光谱成分的事件，其光谱成分超过了$1\,$ GeV甚至$10\,$ GeV，这可能代表了发射能量的很大一部分，并且也出现在过程的早期阶段。使用模型的基础上，这些属性，我们估计的可能性，一个宽的视野和大的有效面积的地面监测设施探测VHE辐射的伽玛暴。我们表明，能够监测VHE瞬变与几乎连续扫描的天空授予一个机会，同时访问电磁对应多信使触发宇宙尺度，在某种程度上是不可用的IACT。
2021-08-02 astro-ph.HE 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
Study on a prototype of the large dimensional refractive lens for the future large field-of-view IACT
在伽马射线天文学中，由于空间实验和地面实验之间存在差距，从100 GeV到TeV的能量范围至关重要。此外，在这个能量范围内的观测有望提供更多关于伽玛暴高能发射的细节，从而了解EBL。根据观测结果和相关知识，科学家或许能够揭开星系形成和早期宇宙演化的奥秘。下一代成像大气切伦科夫望远镜（IACT）的主要问题之一是实现更大的视场。本文报道了利用折射水凸透镜作为集光器来测试新一代IACT的可行性，并对IACT的光学特性（焦距、光斑尺寸、透过率等）进行了初步测试。介绍了0.9m直径水透镜的光电探测器和数据采集系统。
2015-09-06 astro-ph.HE astro-ph.IM physics.ins-det
Analysis Methods for Gamma-ray Astronomy
本文概述伽马射线天文学常用数据分析方法，重点介绍Fermi-LAT与IACT观测相关的标准数据格式、事例重建选择算法及成像、能谱提取的高阶分析技术。
2023-09-06 astro-ph.HE astro-ph.IM
TARGET: A multi-channel digitizer chip for very-high-energy gamma-ray telescopes
下一代甚高能（VHE）伽马射线天文台，切伦科夫望远镜阵列，将配备数十个成像大气切伦科夫望远镜（IACT），每个都有数千像素的光传感器。为了经济实惠和可靠，读出这样的兆通道阵列需要高度集成和模块化的事件记录技术，每个通道的成本低。我们提出了一个芯片的设计和性能针对这个应用程序：TeV阵列读出GSa/s采样和事件触发器（目标）。该专用集成电路（ASIC）具有16个并行输入通道、每个通道的4096个采样缓冲器、可调输入端接、自触发功能和严格的窗口选择读出。我们报告的目标的采样频率，功耗，动态范围，电流模式增益，模拟带宽和串扰方面的性能。每个芯片的大量通道允许利用基于TARGET的IACT读出系统实现每个通道的低成本（$\10 to $ 20包括前端和后端电子器件，但不包括光电传感器）。除了基本的性能参数的目标芯片本身，我们提出了一个相机模块的原型，以及第二代芯片（目标~2），这两个都已经生产。
2012-06-29 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
PeV Gamma-ray Astronomy With Panoramic Optical SETI Telescopes
该研究提出利用可探测纳秒光脉冲的 PANOSETI 望远镜阵列开展 PeV 伽马射线天文观测，并通过与 VERITAS 符合观测及阵列模拟评估其性能。
2023-08-18 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
Optimization of multivariate analysis for IACT stereoscopic systems
多元方法最近被引入并成功地应用于H.E.S.S.切伦科夫大气成像望远镜。为H.E.S.S.开发的三种独立重建方法的互补性能。数据分析，即Hillas模型和3D模型建议通过应用所得到的有效的多变量估计来优化它们的组合。在这项工作中，提出了提升决策树方法，导致显着增加的信号与背景比相比，标准的方法。通过对一组基准天体物理源的比较分析，也证明了灵敏度的提高。
2010-04-20 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
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
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
Deep learning techniques for Imaging Air Cherenkov Telescopes
该研究针对成像大气切伦科夫望远镜的粒子区分、核分类、异常检测问题，提出基于全模拟簇射图像训练机器学习架构的方法，用卷积神经网络做分类、自编码器做异常检测，经H.E.S.S.实验验证后可推广至其他同类望远镜与实验。
2023-03-14 astro-ph.HE astro-ph.IM hep-ph
Influence of the Geomagnetic Field on the IACT detection technique for possible sites of CTA observatories
我们调查了地磁场（GF）对成像空气切伦科夫望远镜技术的影响，两个北部（特内里费岛和圣佩德罗马蒂尔）和三个南部（萨尔塔，莱昂西托和纳米比亚（H.E.S.S.- Cherenkov Telescope Array（CTA）天文台的候选站点。我们使用CORSIKA和sim_telarray程序对γ射线簇射、强子背景和望远镜响应进行了蒙特卡罗模拟。在这里，我们专注于伽马射线测量在低能量，子100 GeV，范围。因此，我们只考虑几个大型望远镜阵列的性能。忽略GF效应，我们发现（与以前的研究一致），这样的阵列具有较低的能量阈值，和较大的收集面积低于30 GeV，当位于较高的海拔高度。然而，我们指出，在所考虑的高度和磁场强度范围内，1800-3600 m a.s.l.和0-40 μ T时，GF效应具有与该海拔效应相似的幅度。我们提供了受GF效应影响的天文台的性能参数，特别是收集区域，检测率和所有五个位置的能量阈值，这些信息可能有助于CTA的选址。我们还发现简单的缩放这些参数的磁场强度，它可以用来评估其他网站的GF效应的大小，在这项工作中，我们用它们来估计五个网站的性能参数：南非博福特西，美国Yavapai牧场，纳米比亚Lalapanzi，智利La Silla和印度Hanle。我们大致调查的影响，地球物理条件对伽马/强子分离程序，包括图像的形状和方向切割。
2015-01-13 astro-ph.IM
Search for diffuse cosmic gamma-ray flux using Fractal and Wavelet analysis from Galactic region using single imaging Cerenkov telescopes
我们表明，从基于模拟的研究TACTIC望远镜的分形和小波分析的切伦科夫图像，记录在一个单一的成像切伦科夫望远镜，使几乎完全隔离的各向同性伽马射线引发的事件从压倒性的背景宇宙射线强子引发的事件。这为测量1 TeV能量以上的银河系和河外γ射线本底提供了一种新的方法。本文报告了基于这种方法的初步结果。主要目的是探索使用单个成像大气切伦科夫望远镜（IACT）记录的数据进行精确测量的扩散银河和河外伽玛射线通量以上~1 TeV的能量的可能性。使用模拟数据的大气Cerenkov图像记录在IACT，发起的宇宙射线质子和扩散γ射线与能量分别超过4 TeV和2 TeV，我们确定最有效的分形/小波参数的记录图像的初步识别。该方法是基于模式识别技术，并采用分形和小波分析记录的γ-强子分离的Cerenkov图像。我们发现，小波维数参数B6的值可以隔离的切伦科夫图像的强子起源的漫伽玛射线起源的准确率几乎为100%。利用TACTIC望远镜记录的36小时数据，我们得到了|b| \leq -50和|l| \leq 2000星系范围内2 TeV以上弥散星系γ射线通量的初步上限估计。
2010-08-13 astro-ph.IM
The sub-TeV transient Gamma-Ray sky: challenges and opportunities
从天体物理源探测到的引力波和中微子与伽马射线的对应物正式开启了多信使天文学的时代。它们的瞬态和极端性质意味着监测VHE天空是调查非电磁信号的基础。然而，空间仪器的有效面积有限，无法进行几百GeV以上的观测，而IACT的视场小和占空比低，使其不适合广泛的监测活动和对瞬变的迅速反应。扩展空气簇射阵列（EAS）可以提供大视场、宽有效面积和非常高的占空比。他们的主要困难是伽马射线和宇宙射线引发的空气簇射之间的区别，特别是在TeV范围以下。在这里，我们提出了一些案例研究强调的重要性，一个新的EAS阵列在南半球将能够调查天空从低于100 GeV的几个TeV。在100和400 GeV之间的能量域中，我们预计在SNR，blazar喷流和伽马射线暴等源中超相对论粒子加速的最强电磁特征，最近被IACT观测所证明。这个光谱窗口对于理解宇宙对高能辐射的不透明性也是至关重要的，从而提供了对宇宙学参数的限制。我们将讨论VHE辐射对工作机制的影响，并将重点关注监测空间探测器和地面设施之间的能量窗口的能力所带来的优势。
2019-08-26 astro-ph.HE astro-ph.IM
The background from single electromagnetic subcascades for a stereo system of air Cherenkov telescopes
MAGIC实验是一个非常大的成像空气切伦科夫望远镜，对低能（E <100 GeV）VHE伽马射线敏感，自2004年以来一直在运行。人们发现，在100 GeV以下，IACT中的伽马/强子分离变得更加困难[Albert et al 2008]由两台大型望远镜组成的系统最终可能会被包含来自仅一个电磁子级联或两个伽马子级联的切伦科夫光的强子事件触发，这些子级联是单个pi^0衰变的产物。这可能是实验灵敏度在100 GeV以下下降的原因。本文用蒙特卡罗模拟研究了两台MAGIC望远镜在立体模式下的系统。探测到的图像具有与初级伽马射线相似的形状，并且它们具有小尺寸（主要低于400个光电子（p.e.））其对应于低于100 GeV的初级伽马射线的能量。来自单个或两个电磁子级联的背景集中在200 GeV以下的能量。最后，将背景事件的数量与蟹状星云的VHE伽马射线过量事件的数量进行比较。所研究的背景在250 p.e.以下的尺寸的简单切割中幸存。因此实验的灵敏度在较低的能量下恶化。
2009-11-30 astro-ph.IM
Status of the VERITAS Upgrade
VERITAS伽马射线观测站（亚利桑那州阿马多，veritas.sao.arizona.edu）使用大气切伦科夫成像技术（IACT）研究甚高能（VHE：E > 100 GeV）伽马射线源。前三年观测的关键科学成果包括发现第一个VHE发射星暴星系，探测到新的活动星系核（AGN），超新星遗迹（SNR），伽马射线双星以及矮星系中暗物质湮灭对VHE伽马射线发射的强烈限制。2010年4月，VERITAS获得资金，用于升级光电倍增管相机、图形触发器和联网系统，以提高探测器的灵敏度，特别是在接近探测阈值（E ~ 100 GeV）时。在本文中，我们描述了VERITAS升级的状态，以及在2012年夏季完成时灵敏度的预期改善。
2011-10-19 astro-ph.HE astro-ph.IM
TARGET 5: a new multi-channel digitizer with triggering capabilities for gamma-ray atmospheric Cherenkov telescopes
TARGET~5是TARGET系列中的一种新的专用集成电路（ASIC），设计用于从地基伽马射线天文学成像大气切伦科夫望远镜（IACT）的照相机中的光传感器读出信号。TARGET~5将16个信号通道的采样和数字化与基于四个通道组的模拟和的触发信号的形成相结合。我们描述了ASIC的体系结构和性能。TARGET 5在第一代TARGET ASIC的基础上进行了改进，实现了：采样频率从$<0.4$ ~GSa/s到$>1$ ~GSa/s的可调，数据通道动态范围为1.2 V，有效动态范围为11~bits，直流噪声为${\sim}0.6$ ~mV，3 dB带宽为500 MHz，相邻通道间串扰为$<1.3\%$，通道间串扰为10 dB。电荷分辨率从40%提高到$<4\%$之间的3个光电子（p.e.）和$>100$ ~p.e.（假设4 mV/p.e.）;最小稳定触发阈值为20 mV（5 p.e.）触发噪声为5 mV（1.2 p.e.），这主要受到触发和采样操作之间的干扰的限制。TARGET~5是TARGET系列中用于IACT原型的第一个ASIC，为即将到来的切伦科夫望远镜阵列（CTA）的读出电子学提供了一条发展道路。
2016-07-11 astro-ph.HE astro-ph.IM physics.ins-det
