Deep Learning Semi-supervised Strategy for Gamma/Hadron Classification of Imaging Atmospheric Cherenkov Telescope Events

Abstract

En este trabajo se exploró una alternativa semi-supervisada de aprendizaje que permitiera al sistema de captación de imágenes de Cherenkov Telescope Array Observatory, detectar eventos producidos por rayos gamma, y distinguirlos de los -mucho más frecuentes- producidos por protones. Como herramienta, se utilzó una red neuronal convolucional, donde se validó la estrategia de Cyclical Learning Rate, lo que permitió un entrenamiento más rápido. Además se presentó la oportunidad de estudiar el espacio latente de la red entrenada, y correlaccionarla con la estrategia convencional de parámetros de Hillas para, de cierta manera, poder comparar lo que estaba aprendiendo la red en el aspecto de clasificación y analizar si tiene sentido con lo que se conoce del fenómeno físico y sus estudios. Adicionalmente podemos compararlo con los parámetros físicos de Hillas lo cual -al ser la estrategia convencional- está bastante validada. Debido a que el observatorio no está disponible aún, solo es posible entrenar los algoritmos con imágenes simuladas, por lo que una vez que se presenten los datos reales, no hay mucha certeza de como se comportarán. Por este motivo se propone una estrategia semi-supervisada, que permite entrenar el modelo con datos simulados y etiquetados. Para luego, mejorar las predicciones del modelo con datos simulados no-etiquetados. Esto se considera el trabajo preliminar para una mejor integración de los datos reales. Los resultados muestran que este algoritmo es un atractivo candidato para aprovechar los datos reales no-etiquetados. Nuestro modelo fue capaz de seguir aprendiendo desde datos nunca antes vistos y de manera no-supervisada. Sin embargo debe motivarse la investigación en la integración de los datos reales. Adicionalmente, la exploración del espacio latente indicó que es una metodología atractiva para la exploración de CNN y su relación con los datos, su morfología y la tarea en cuestión.