Создание системы машинного обучения для анализа больших объемов данных астрофизики элементарных частиц

КАРТОЧКА ПРОЕКТА ФУНДАМЕНТАЛЬНЫХ И ПОИСКОВЫХ НАУЧНЫХ ИССЛЕДОВАНИЙ,
ПОДДЕРЖАННОГО РОССИЙСКИМ НАУЧНЫМ ФОНДОМ

Информация подготовлена на основании данных из Информационно-аналитической системы РНФ, содержательная часть представлена в авторской редакции. Все права принадлежат авторам, использование или перепечатка материалов допустима только с предварительного согласия авторов.

ОБЩИЕ СВЕДЕНИЯ

Номер проекта 17-72-20291

НазваниеСоздание системы машинного обучения для анализа больших объемов данных астрофизики элементарных частиц

Руководитель Рубцов Григорий Игоревич, Доктор физико-математических наук

Организация финансирования, регион Федеральное государственное бюджетное учреждение науки Институт ядерных исследований Российской академии наук , г Москва

Конкурс №24 - Конкурс 2017 года по мероприятию «Проведение исследований научными группами под руководством молодых ученых» Президентской программы исследовательских проектов, реализуемых ведущими учеными, в том числе молодыми учеными

Область знания, основной код классификатора 02 - Физика и науки о космосе; 02-101 - Физика элементарных частиц

Ключевые слова Системы машинного обучения, системы обработки больших объемов данных, астрофизика частиц, космические лучи ультравысоких энергий, гамма-астрономия, модели адронных взаимодействий, радио-тихие пульсары

Код ГРНТИ29.05.00

ИНФОРМАЦИЯ ИЗ ЗАЯВКИ

Аннотация
Так называемый “информационный взрыв”, лавинообразное нарастание объема разнообразной доступной информации, коснулся многих современных областей знания, в числе которых не последнее место занимает астрономия и астрофизика. Анализ больших данных был назван “четвертой парадигмой” научного подхода, наряду с хорошо известными первыми двумя “экспериментом” и “теорией” и сравнительно недавно сформулированной третьей парадигмой “численного эксперимента”. Целью нового подхода является по возможности автоматическое структурирование больших объемов данных, и в конечном счете выделение ценной информации. Бурное развитие методов машинного обучения вместе с экспоненциальным ростом производительности современных вычислительных систем открывают без преувеличения колоссальные перспективы для исследований в области астрофизики. Потенциал нового подхода еще не до конца осознан в научном сообществе, хотя уже сейчас можно привести десятки успешных примеров применения алгоритмов машинного обучения для анализа астрофизических данных. Весьма показателен пример обработки результатов наблюдений обзора SDSS (Sloan Digital Sky Survey). В обзоре было проведено картографирование более 35 % небесной сферы с фотометрическими наблюдениями порядка 500 миллионов объектов и получением спектров более чем 3 миллионов объектов. Для решения одной из научных задач, морфологической классификации галактик по снимкам, в 2007 году был создан краудсорсинг-проект Galaxy Zoo, в ходе которого для классификации около 900 тысяч снимков галактик привлекалось свыше 100 тысяч волонтеров. Но уже в 2014 году на основе сверточной нейронной сети был предложен эффективный алгоритм, позволяющий выполнить классификацию снимков со сравнимой точностью. Объем доступных для анализа экспериментальных данных в астрофизике растет экспоненциально, подобно ситуации во многих других областях знаний. Ожидается, что телескопы следующего поколения, такие как, LSST (Large Synoptic Survey Telescope), будут генерировать порядка петабайт данных ежегодно. Манипулирование такими объемами данных невозможно без использования новых подходов. В астрофизике частиц высоких энергий, которой посвящен настоящий проект, накопленное количество данных пока исчисляется лишь терабайтами, отчасти, в силу сравнительной малости потока частиц высоких энергий. Так, при энергии 10 ЭэВ поток составляет порядка 1 частицы на квадратный километр на стерадиан в год. По этой причине, во всех существующих экспериментах свойства космических лучей сверхвысоких энергий (КЛСВЭ) определяются косвенным образом по характеристикам широких атмосферных ливней (ШАЛ), инициированных космическими лучами в атмосфере Земли. Анализ наблюдений включает моделирование взаимодействий КЛСВЭ в атмосфере, а также отклика детекторов. Часть работ по данному проекту относится к анализу данных одного из двух крупнейших современных экспериментов, работающим в области КЛСВЭ, Telescope Array (TA). Эксперимент использует гибридный метод регистрации космических лучей, то есть как детекторы наземной решетки, так и флуоресцентные детекторы. В качестве детекторов наземной решетки используются двухслойные сцинтилляторы площадью 3 квадратных метра. В состав установки в настоящее время входит более 500 детекторов, расположенных на квадратной сетке с шагом 1200 метров, покрывающей площадь около 700 кв. км. Фактической наблюдаемой величиной на каждом из поверхностных детекторов является временная развертка сигнала. События детектируются по совпадению сигналов на группе смежных детекторов, поскольку ливень, инициированный КЛСВЭ имеет характерный поперечный размер в несколько километров. Сопоставляя временную развертку на соседних детекторах, восстанавливают направление прихода первичной частицы и другие вторичные наблюдаемые, такие как кривизна фронта ШАЛ. Моделирование ливней, инициированных ядрами различной массы, а также фотонами и нейтрино, позволило выделить часть вторичных наблюдаемых, наиболее чувствительных к природе первичной частицы. В частности, удается довольно надежно отличить ливни, инициированные фотонами или нейтрино от адронных ШАЛ, что позволило поставить ограничение сверху на поток фотонов и нейтрино ультравысоких энергий. В виду похожести ливней, инициированных ядрами различной массы пока не удается точно измерить массовый состав КЛСВЭ. В то же время существующий анализ использует вторичные наблюдаемые, число которых ограничено текущим объемом научных знаний о структуре ШАЛ. В рамках проекта планируется разработать алгоритм анализа данных, использующий непосредственно временные развертки сигнала на группе смежных детекторов, для выявления паттернов, соответствующих ШАЛ, оценки энергии и природы первичной частицы. Для этого планируется использовать имеющийся набор данных наземной решетки Telescope Array. Для тренировки алгоритма будут использованы наборы Монте-Карло событий, записанные в том же формате, что и данные установки. На вход сверточной нейронной сети будут подаваться сигналы от группы смежных детекторов, скомбинированные в изображение. Такой алгоритм позволит существенно повысить чувствительность эксперимента к компонентному составу первичных частиц, фотонам и нейтрино ультравысоких энергий. Планируется построить алгоритм регрессии для оценки плотности мюонов ШАЛ, что позволит получить количественное свидетельство об избытке или недостатке мюонов в данных Telescope Array по сравнению с предсказаниями адронных моделей. Кроме того для возможной идентификации источников планируется разработать алгоритм кластеризации, позволяющий осуществлять поиск искаженных в галактических и внегалактических полях изоборажений источников космических лучей. Создаваемые в рамках проекта методы машинного обучения будут иметь астрофизические приложения вне предметной области космических лучей. Так, в рамках проекта будет разработана сверточная нейронная сеть для поиска событий скачкообразного увеличения частоты (глитчей) гамма-пульсаров. Кроме того, коллективом будет разработан метод регрессии для уточненной фотометрической оценки красного смещения блазаров.

ОТЧЁТНЫЕ МАТЕРИАЛЫ

Публикации

1. Беллидо Дж.А., Клэй Р.В., Калмыков Н.Н., Карпиков И.С., Рубцов Г.И., Троицкий С.В., Улрихс Дж. Muon content of extensive air showers: comparison of the energy spectra obtained by the Sydney University Giant Air-shower Recorder and by the Pierre Auger Observatory Physical Review D (год публикации - 2018)

2. Карпиков И.С., Рубцов Г.И., Жежер Я.В. Lower limit on the ultra-high-energy proton-to-helium ratio from the measurements of the tail of Xmax distribution Направлена в Physical Review D (год публикации - 2018)

3. Жежер Я.В. Ultra-high-energy cosmic rays mass composition studies with the Telescope Array Surface Detector data EPJ Web of Conferences, 191, 08007 (год публикации - 2018)
10.1051/epjconf/201819108007

4. Жежер Я.В. Composition studies with the Telescope Array surface detector data Известия Российской академии наук. Серия физическая (год публикации - 2019)

5. Аббаси Р.У., Абе М., Абу-Заяд Т., ..., Калашев О.Е., Кузнецов М.Ю., Пширков М.С., Рубцов Г.И., Жежер Я.В., ..., Зундель Z., коллаборация Telescope Array Mass composition of ultrahigh-energy cosmic rays with the Telescope Array Surface Detector data Physical Review D, 99, 022002 (год публикации - 2019)
10.1103/PhysRevD.99.022002

6. Аббаси Р.У., Абе М., Абу-Заяд Т., ..., Калашев О.Е., Кузнецов М.Ю., Пширков М.С., Рубцов Г.И., Жежер Я.В., ..., Зундель Z., коллаборация Telescope Array Constraints on the diffuse photon flux with energies above 10^18 eV using the surface detector of the Telescope Array experiment Astroparticle Physics, 110, 8-14 (год публикации - 2019)
10.1016/j.astropartphys.2019.03.003

7. Калашев О.Е., Кузнецов М.Ю. Study Cosmic Ray Mass Composition using Deep Learning in Telescope Array Surface Array Detector Proceedings of Science, 358, 304, 1-8 (год публикации - 2019)

8. Карпиков И.С.,Беллидо Дж.А.,Клэй Р.В.,Калмыков Н.Н.,Рубцов Г.И.,Троицкий С.В. Muon Content of Extensive Air Showers: Comparison of the Energy Spectra Obtained by the Sydney University Giant Air-Shower Recorder and by the Pierre Auger Observatory Physics of Atomic Nuclei, 82, 6, 601–605 (год публикации - 2019)
10.1134/S1063778819660256

9. Кузнецов М.Ю.,Калашев О.Е.,Рубцов Г.И. Telescope Array search for EeV photons Proceedings of Science, 358, 326, 1-8 (год публикации - 2019)

10. Аббаси Р.У., Абе М., Абу-Заяд Т., ..., Калашев О.Е., Кузнецов М.Ю., Пширков М.С., Рубцов Г.И., Жежер Я.В., ..., Зундель Z., коллаборация Telescope Array Search for point sources of ultra-high-energy photons with the Telescope Array surface detector Monthly Notices of the Royal Astronomical Society, 492,3 (год публикации - 2020)
10.1093/mnras/stz3618

11. Калашев О.Е. Using Deep Learning in Ultra-High Energy Cosmic Ray Experiments Journal of Physics: Conference Series, 1525 (ACAT 2019) (год публикации - 2020)

12. Аббаси Р.У., Абе М., Абу-Заяд Т., ..., Калашев О.Е., Кузнецов М.Ю., Пширков М.С., Рубцов Г.И., Жежер Я.В., ..., Зундель Z., коллаборация Telescope Array Поиск нейтрино ультравысоких энергий по данным наземной решетки эксперимента Telescope Array Журнал Экспериментальной и Теоретической Физики, 157,5,1-13 (год публикации - 2020)
10.31857/S0044451020050000

13. Рубцов Г.И., Сокольский П.,Троицкий С.В., Жежер Я.В. Anisotropy in the mass composition from the Telescope Array Surface Detector data Proceedings of Science, 358, 494,1-7 (год публикации - 2019)

14. Калашев Олег, Пширков Максим, Зотов Михаил Identifying nearby sources of ultra-high-energy cosmic rays with deep learning arXiv (год публикации - 2019)

15. Казанцев А.Н., Потапов В.А., Пширков М.С. Irregularities in the rate of generation of giant pulses from the Crab pulsar observed at 111 MHz arXiv (год публикации - 2019)

16. Иванов Д., Калашев О.Е., Кузнецов М.Ю., Рубцов Г.И., Сако Т., Цунесада Й., Жежер Я.В. Using Deep Learning to Enhance Event Geometry Reconstruction for the Telescope Array Surface Detector arXiv (год публикации - 2020)

Публикации

9. Кузнецов М.Ю.,Калашев О.Е.,Рубцов Г.И. Telescope Array search for EeV photons Proceedings of Science, 358, 326, 1-8 (год публикации - 2019)

11. Калашев О.Е. Using Deep Learning in Ultra-High Energy Cosmic Ray Experiments Journal of Physics: Conference Series, 1525 (ACAT 2019) (год публикации - 2020)

Публикации

9. Кузнецов М.Ю.,Калашев О.Е.,Рубцов Г.И. Telescope Array search for EeV photons Proceedings of Science, 358, 326, 1-8 (год публикации - 2019)

11. Калашев О.Е. Using Deep Learning in Ultra-High Energy Cosmic Ray Experiments Journal of Physics: Conference Series, 1525 (ACAT 2019) (год публикации - 2020)