Met de Cherenkov Telescope Array (CTA) die momenteel in aanbouw is, onderzoekers hopen zeer energetische gammastraling te kunnen waarnemen die zou kunnen leiden tot de ontdekking van nieuwe objecten in en buiten ons melkwegstelsel en zelfs tot het ontrafelen van het mysterie van donkere materie. Echter, het identificeren van deze gammastralen is niet eenvoudig. Onderzoekers van het CTA-consortium proberen het nu te perfectioneren met neurale netwerken die zijn getraind op de Piz Daint-supercomputer.

Na voltooiing in 2025, de Cherenkov Telescope Array (CTA) zal de grootste gammastralingsobservatietelescooparray zijn die ooit is gebouwd. Op het noordelijk en zuidelijk halfrond worden meer dan 100 telescopen met diameters tussen 4 en 23 meter geïnstalleerd, bij het observatorium Roque de los Muchachos op het Canarische eiland La Palma en in de Atacama-woestijn in Chili. De telescopen zijn ontworpen om lichtflitsen te registreren die worden veroorzaakt door de gammastralen die door de kosmos reizen en de atmosfeer van de aarde raken. Gammastraling is afkomstig van gewelddadige kosmische gebeurtenissen en is een biljoen keer energieker dan zichtbaar licht. Ze worden gegenereerd door zogenaamde "kosmische deeltjesversnellers", zoals supernova-explosies of superzware zwarte gaten die omringende sterren verslinden, gas en stof.

Het extraheren van gammastralen uit een deeltjesdouche vormt een uitdaging

Wanneer gammastralen de atmosfeer van de aarde raken, ze interageren met de atomen en moleculen van de lucht om een ​​deeltjesregen te creëren, die meestal blauwe lichtflitsen produceert, Cherenkov-licht genoemd. Dit licht wordt opgevangen door het speciaal ontworpen spiegelsysteem van de telescoop en gericht op extreem snelle camera's. Met deze gegevens, onderzoekers kunnen conclusies trekken over de bron van de gammastraling die het mogelijk zou kunnen maken om honderden nieuwe objecten in onze eigen melkweg te ontdekken, De melkweg, en zelfs in stervormende sterrenstelsels en superzware zwarte gaten daarbuiten. De door CTA gedetecteerde gammastralen kunnen, onder andere, bieden ook een directe handtekening van donkere materie, waarvan het bestaan ​​wordt ondersteund door indirecte waarnemingen, maar nooit direct is waargenomen.

De foto's van deze kosmische gebeurtenissen verzameld door de CTA tonen langwerpige ellipsen, volgens Etienne Lyard en zijn collega's van het Département d'Astronomie, Université de Genève, in hun laatste studie gepubliceerd in de Journal of Physics:Conferentieserie . Er zijn twee soorten deeltjes die deze gebeurtenissen veroorzaken:hadronen, welke het talrijkst zijn; en de deeltjes van belang, de hoogenergetische fotonen die gammastraling worden genoemd. "Onderzoekers zijn vooral geïnteresseerd in de gammastraling, omdat ze de interstellaire ruimte in een rechte lijn doorkruisen, terwijl hadronen, geladen deeltjes zijn, buigen door magnetische velden, ' zegt Lyard.

Er zijn gevestigde procedures om onderscheid te maken tussen gammastralen en hadronen; maar om er zo zeker mogelijk van te zijn dat alleen gammastraling wordt gedetecteerd en geëvalueerd, veel ambigue gebeurtenissen worden eruit gefilterd, wat de algehele gevoeligheid van de instrumenten vermindert. Hoe dan ook, soms worden hadron-gebeurtenissen nog steeds ten onrechte geïdentificeerd als gammastralen, die vervolgens het experiment besmetten als achtergrondgeluid.

Neurale netwerken verbeteren de gevoeligheid van de telescooparray

Om de discriminatieprocedure tussen hadronen en gammastralen te verbeteren, en daarmee de gevoeligheid van de observatoria, Lyard en zijn team hebben nu geprobeerd ze van elkaar te onderscheiden met behulp van diepe convolutionele neurale netwerken (CNN's) die zijn getraind op de CSCS-supercomputer Piz Daint. Ze evalueerden de prestaties van de CNN's in vergelijking met conventionele methoden voor het detecteren van gammastralen (Boosted Decision Trees) door gebruik te maken van gebeurtenissen die zijn gegenereerd met Monte Carlo-simulaties, die, volgens de auteurs kwam het dichtst bij de echte gebeurtenissen. "Ons werk is een poging om neurale netwerken van computervisie te gebruiken, een soort machinevisie, die de door camera's vastgelegde beelden op verschillende manieren verwerkt en analyseert en ze aanpast om aan onze gegevens te werken, " zegt Lyard. En het blijkt dat, onder bepaalde voorwaarden, de CNN's presteren beter dan klassieke technieken.

Hoewel er nog veel ruimte is voor verbetering in de CNNs-architectuur, de onderzoekers zijn ervan overtuigd dat deze en andere machine learning-benaderingen kunnen helpen om de beste wetenschappelijke output van het CTA-observatorium te krijgen. "We zijn ervan overtuigd dat deze benaderingen uiteindelijk de norm zullen worden, omdat het al beter presteert dan de modernste technieken terwijl er helemaal geen informatie over de fysieke processen op het werk in de analyse werd gezet, " zegt Lyard. "Naarmate ons begrip van CNN's groeit, meer geschikte criteria - zoals tijdontwikkeling van de langwerpige ellipsen - zullen worden gebruikt om de analyse uit te voeren, en de algehele prestaties zullen zeker verbeteren, te."