Deep-Learning-Ereignisrekonstruktion für das Cherenkov Telescope Array Observatory mit CTLearn

Das Cherenkov Telescope Array Observatory (CTAO) ist das nächste bodengestützte Observatorium der nächsten Generation für die Hochenergie- (VHE) Gammaastronomie. Der Prototyp des Large-Sized Telescope, LST-1, befindet sich auf der Kanareninsel La Palma und ist verantwortlich für die Beobachtung des Niedrigenergiebereichs des VHE-Gamma-Spektrums. Es befindet sich in der Inbetriebnahme und hat bereits den Krebsnebel als Standardreferenzquelle beobachtet. Eine genaue Rekonstruktion der Duschparameter (z.B. Energie, Richtung und Teilchentyp) ist entscheidend, um die wissenschaftlichen Ziele des CTAO zu erreichen. In dieser Arbeit verwenden wir CTLearn, um die Deep-Learning-Ereignisrekonstruktion als Alternative zur Standard-Methoden Random Forest zu implementieren. CTLearn ist so konzipiert, dass es vollständig kompatibel mit ctapipe ist, einem Framework zur Prototypisierung der niedrigleveligen Datenverarbeitungsalgorithmen für das CTAO, und kann nahtlos für die Datenanalyse verwendet werden, ohne das allgemeine Framework zu ändern. Es implementiert konvolutionale neuronale Netzwerkmodelle, die die integrierte Ladung und die relative Spitzenzeit kalibrierter Pixel in bereinigten Bildern als Eingang verwenden, um die Eigenschaften des primären Teilchens abzuleiten. Mithilfe von Beobachtungen des Krebsnebels als Validierungsprobe untersuchen wir zwei unterschiedliche Ansätze. Der erste besteht darin, ein Modell mit Monte-Carlo-(MC)-Simulationen zu trainieren, die alle möglichen Höhe-Azimut-Koordinaten der Beobachtungen des Krebsnebels abdecken, was zu einem einzelnen Modell führt, das verwendet werden kann, um Ereignisse aus beliebigen Beobachtungen des Krebsnebels zu rekonstruieren. Der zweite Ansatz besteht darin, 10 Modelle entlang dieser Koordinatenlinie zu trainieren, wobei jedes ein Spektrum von ~10° in der Höhe einbezieht. In diesem Beitrag präsentieren wir unsere Untersuchung der Leistungsfähigkeit der CTLearn-Modelle und heben das Potenzial von CTLearn für zukünftige Datenanalysen im CTAO hervor.