Experimental Verification of a Convolutional Neural Network Separation Method in TeV Gamma-Ray Observations by the Tibet ASγ Experiment
Notice bibliographique
Résumé
Abstract Since 1990, the Tibet AS$\gamma$ experiment has been observing gamma rays and cosmic rays with energies greater than several TeV using a surface air shower array. An underground muon detector (MD) array operating since 2014 enables us to significantly discriminate between gamma rays and cosmic rays by counting the number of muons in the air showers. However, discrimination with only the air shower array is challenging. We developed a convolutional neural network (CNN)-based method to improve the sensitivity of gamma-ray measurement data recorded by only the air shower array. The area-under-the-curve values of the CNN method for gamma rays generated by a Monte Carlo (MC) simulation assuming a gamma-ray source (Crab Nebula) were 0.75 at $\sim$10 TeV and 0.83 at $\sim$100 TeV. The detection significances of gamma rays were improved by factors of 1.232 $\pm$ 0.007 at $\sim$10 TeV and 1.557 $\pm$ 0.022 at $\sim$100 TeV. For verification, we applied the proposed method to experimental data including high-purity gamma-ray-like events in the direction of the Crab Nebula, acquired using both arrays. The distributions of gamma-ray-like properties obtained from the CNN were in good agreement with the MC Simulation, with reduced $\chi ^2$ values of 0.507–1.57, corresponding to an upper cumulative probability of 0.120–0.871.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».