Med Cherenkov Telescope Array (CTA) som för närvarande är under uppbyggnad, forskare hoppas kunna observera mycket energiska gammastrålar som kan leda till upptäckten av nya objekt i och utanför vår galax och till och med reda ut mysteriet med mörk materia. Dock, Det är inte lätt att identifiera dessa gammastrålar. Forskare från CTA-konsortiet försöker nu fullända det med neurala nätverk tränade på superdatorn Piz Daint.

Efter färdigställandet 2025, Cherenkov Telescope Array (CTA) kommer att vara den största gammastrålningsteleskoparray som någonsin byggts. Mer än 100 teleskop med diametrar mellan 4 och 23 meter installeras på norra och södra halvklotet, vid Roque de los Muchachos-observatoriet på Kanarieön La Palma och i Atacamaöknen i Chile. Teleskopen är designade för att heltäckande registrera ljusblixtar som induceras av gammastrålar som färdas genom kosmos som träffar jordens atmosfär. Gammastrålar härstammar från våldsamma kosmiska händelser och är en biljon gånger mer energisk än synligt ljus. De genereras av så kallade "kosmiska partikelacceleratorer" som supernovaexplosioner eller supermassiva svarta hål som slukar omgivande stjärnor, gas och damm.

Att extrahera gammastrålar från partikeldusch är en utmaning

När gammastrålar träffar jordens atmosfär, de interagerar med luftens atomer och molekyler för att skapa en partikeldusch, som mestadels producerar blå ljusblixtar som kallas Cherenkov-ljus. Detta ljus samlas upp av det specialdesignade teleskopets spegelsystem och fokuseras till extremt snabba kameror. Med dessa uppgifter, forskare kan dra slutsatser om källan till gammastrålningen som kan göra det möjligt att upptäcka hundratals nya objekt i vår egen galax, Vintergatan, och även i stjärnbildande galaxer och supermassiva svarta hål utanför den. De gammastrålar som detekteras av CTA kan, bland annat, ger också en direkt signatur av mörk materia, vars existens stöds av indirekta observationer men aldrig har observerats direkt.

Bilderna av dessa kosmiska händelser som samlats in av CTA visar långsträckta ellipser, enligt Etienne Lyard och hans kollegor från Département d'Astronomie, Université de Genève, i deras senaste studie publicerad i Journal of Physics:Conference Series . Det finns två typer av partiklar som orsakar dessa händelser:hadroner, vilka är de mest talrika; och partiklarna av intresse, de högenergifotoner som kallas gammastrålar. "Forskare är mest intresserade av gammastrålar, eftersom de korsar det interstellära rymden i en rak linje, medan hadroner, är laddade partiklar, böjning på grund av magnetfält, " säger Lyard.

Det finns väletablerade procedurer för att skilja mellan gammastrålar och hadroner; men för att vara så säker som möjligt på att endast gammastrålar detekteras och utvärderas, en hel del tvetydiga händelser filtreras bort, vilket minskar instrumentens totala känslighet. Ändå, ibland identifieras hadronhändelser fortfarande felaktigt som gammastrålar, som sedan kontaminerar experimentet som bakgrundsljud.

Neurala nätverk förbättrar teleskoparrayens känslighet

För att förbättra diskrimineringsförfarandet mellan hadroner och gammastrålar, och därmed observatoriernas känslighet, Lyard och hans team har nu försökt särskilja dem från varandra med hjälp av deep convolutional neural networks (CNN) tränade på CSCS superdator Piz Daint. De utvärderade prestandan hos CNN:erna i jämförelse med konventionella metoder för att detektera gammastrålar (Boosted Decision Trees) genom att använda händelser genererade med Monte Carlo-simuleringar, som, enligt författarna, kom närmast de verkliga händelserna. "Vårt arbete är ett försök att använda neurala nätverk från datorseende, ett slags maskinseende, som bearbetar och analyserar bilder som tagits av kameror på en mängd olika sätt och anpassar dem för att fungera på vår data, säger Lyard. Och det visar sig att, under särskilda förhållanden, CNN:erna överträffar klassiska tekniker.

Även om det fortfarande finns mycket utrymme för förbättringar i CNNs arkitektur, forskarna är övertygade om att dessa och andra metoder för maskininlärning kan hjälpa till att få den bästa vetenskapliga produktionen från CTA-observatoriet. "Vi är övertygade om att dessa tillvägagångssätt så småningom kommer att bli normen, eftersom det redan överträffar toppmoderna tekniker samtidigt som ingen information om de fysiska processerna i arbetet lades in i analysen alls, " säger Lyard. "När vår förståelse för CNN växer, mer lämpliga kriterier – som tidsutveckling av de långsträckta ellipserna – kommer att användas för att utföra analysen, och den övergripande prestandan kommer säkerligen att förbättras, för."