A maximum-likelihood-based technique for detecting extended gamma-ray sources with VERITAS
Notice bibliographique
Résumé
Gamma-ray observations ranging from hundreds of MeV to tens of TeV are a valuable tool for studying particle acceleration and diffusion within our galaxy. Supernova remnants, pulsar wind nebulae, and star-forming regions are the main particle accelerators in our local Galaxy. Constructing a coherent physical picture of these astrophysical objects requires the ability to distinguish extended regions of gamma-ray emission, the ability to analyze small-scale spatial variation within these regions, and methods to synthesize data from multiple observatories across multiple wavebands. Imaging Atmospheric Cherenkov Telescopes (IACTs) provide fine angular resolution (<0.1 degree) for gamma-rays above 100 GeV. Typical data reduction methods rely on source-free regions in the field of view to estimate cosmic-ray background. This presents difficulties for sources with unknown extent or those which encompass a large portion of the IACT field of view (3.5 degrees for VERITAS). Maximum-likelihood-based techniques are well-suited for analysis of fields with multiple overlapping sources, diffuse background components, and combining data from multiple observatories. Such methods also offer an alternative approach to estimating the IACT cosmic-ray background and consequently an enhanced sensitivity to largely extended sources. In this proceeding, we report on the current status and performance of a maximum likelihood technique for the IACT VERITAS. In particular, we focus on how our method’s framework employs a dimension for gamma-hadron separation parameters in order to improve sensitivity on extended sources.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».