Extracting the gamma-ray source-count distribution below the Fermi-LAT detection limit with deep learning

要約

機械学習技術を採用することにより、解決された線源と未解決の線源の銀河系外ガンマ線線源数分布、つまり $dN/dS$ を再構築します。
具体的には、合成 2 次元スカイマップ上で畳み込みニューラル ネットワークをトレーニングします。合成 2 次元スカイマップは、基礎となるソース カウント モデルのパラメーターを変更することによって構築され、Fermi-LAT の機器応答関数が組み込まれています。
次に、トレーニングされたニューラル ネットワークが Fermi-LAT データに適用され、そこからソース数の分布が Fermi-LAT しきい値の 50 倍下の磁束レベルまで推定されます。
$(1,10)$ GeV エネルギー範囲で収集された 14 年間のデータを使用して分析を実行します。
得られた結果は、解決された領域では、カタログ化された情報源から導出された分布とよく一致し、未解決の領域では $dN/dS \sim S^{-2}$ として拡張される情報源数の分布を示しています。
$5 \cdot 10^{-12}$ cm$^{-2}$ s$^{-1}$ のフラックスまで下がります。
ニューラル ネットワーク アーキテクチャと考案された方法論には、将来の分析でソース数分布のエネルギー依存性を研究できる柔軟性があります。

要約(オリジナル)

We reconstruct the extra-galactic gamma-ray source-count distribution, or $dN/dS$, of resolved and unresolved sources by adopting machine learning techniques. Specifically, we train a convolutional neural network on synthetic 2-dimensional sky-maps, which are built by varying parameters of underlying source-counts models and incorporate the Fermi-LAT instrumental response functions. The trained neural network is then applied to the Fermi-LAT data, from which we estimate the source count distribution down to flux levels a factor of 50 below the Fermi-LAT threshold. We perform our analysis using 14 years of data collected in the $(1,10)$ GeV energy range. The results we obtain show a source count distribution which, in the resolved regime, is in excellent agreement with the one derived from catalogued sources, and then extends as $dN/dS \sim S^{-2}$ in the unresolved regime, down to fluxes of $5 \cdot 10^{-12}$ cm$^{-2}$ s$^{-1}$. The neural network architecture and the devised methodology have the flexibility to enable future analyses to study the energy dependence of the source-count distribution.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google