New gamma/hadron separation parameters for a neural network for HAWC
Notice bibliographique
Résumé
The High-Altitude Water Cherenkov experiment (HAWC) observatory is located 4,100 meters above sea level. HAWC is able to detect secondary particles from extensive air showers (EAS) initiated in the interaction of a primary particle (either a gamma or a charged cosmic ray) with the upper atmosphere. Because an overwhelming majority of EAS events are triggered by cosmic rays, background noise suppression plays an important role in the data analysis process of the HAWC observatory. Currently, HAWC uses cuts on two parameters (whose values depend on the spatial distribution and luminosity of an event) to separate gamma-ray events from background hadronic showers. In this work, a search for additional gamma-hadron separation parameters was conducted to improve the efficiency of the HAWC background suppression technique. The best-performing parameters were integrated to a feed-foward Multilayer Perceptron Neural Network (MLP-NN), along with the traditional parameters. Various iterations of MLP-NN's were trained on Monte Carlo data, and tested on Crab data. Preliminary results show that the addition of new parameters can improve the significance of the point source at high-energies (~ TeV), at the expense of slightly worse performance in conventional low-energy bins (~GeV). Further work is underway to improve the efficiency of the neural network at low energies.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».