Search for Cosmic Rays in GRANDProto300
本文介绍了针对 GRANDProto300 原型阵列的宇宙线搜索流水线及正在开发的基于卷积神经网络（CNN）的识别算法，详细阐述了其过滤步骤、对 2025 年 7 月至 10 月数据的效率评估，以及该模型在区分宇宙线信号与噪声方面的准确度。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在高空之中，大气层不断受到以接近光速飞行的不可见粒子的轰击。这些是宇宙射线，是来自深空的能量信使，它们撞击地球的大气层，产生向地面蔓延的次级粒子流。尽管科学家们长期以来一直在研究这些粒子，但在一个特定的能量范围内，它们的起源仍然是一个谜。这是一个边界，即诞生于我们银河系内部的粒子可能向来自宇宙深处强大源头的粒子过渡的界限。精准定位这一转变对于理解宇宙如何将物质加速到如此极高的能量至关重要，但探测这些特定粒子非常困难，因为它们到达的频率极低，且留下的痕迹转瞬即逝且微弱。
为了解开这个谜团，一个研究小组正在中国戈壁滩建造一个巨大的“监听站”。这个被称为 GRAND 的项目利用庞大的射电天线阵列来捕捉宇宙射线撞击大气层时产生的微弱射电信号。本文描述了 GRANDProto300 的进展，这是该实验的一个原型版本，旨在证明这种射电探测方法是行之有效的。在 2024 年底至 2025 年年中期间，团队运行了一个较小规模的阵列，最终在沙漠中部署了 65 根天线，其中 63 根处于工作状态并稳定地收集数据。他们的目标不仅是倾听，还要教会计算机如何从环境的巨大噪声（例如来自飞机或电气设备的无线电波）中分辨出真实的宇宙射线信号。
研究人员面临着一个重大挑战：天线收集到的原始数据充斥着虚假警报。为了找到真正的宇宙射线，他们开发了一个循序渐进的过滤过程，就像从一大堆沙子中筛选出几种特定的颗粒一样。首先，他们剔除了成簇出现的噪声脉冲，这些噪声通常来自商业飞机或附近的变压器。接着，他们观察了无线电波的方向。由于宇宙射线与地球磁场相互作用，它们会产生具有特定取向的信号，这与随机的背景噪声不同。他们还过滤掉了来自正上方或几乎沿地平线平行的信号，因为其天线阵列的几何结构使得准确重建这些特定角度变得困难。最后，他们检查了不同天线之间信号的同步性，以确保其符合来自天空中单一源点的波传播预期的行进时间。
在对数百万个记录事件应用了这些严格的过滤器后，团队将名单缩减到了仅有的 51 个看起来像是真实宇宙射线的候选对象。这些候选对象展现出了预期的到达模式和信号强度，表明过滤方法是有效的。然而，团队意识到手动规则可能无法捕捉到所有情况，因此他们开始使用一种被称为神经网络的人工智能技术来训练计算机程序。该程序通过学习来自计算机模拟和真实数据的数千个样本，来识别宇宙射线信号的独特形状。测试表明，这一新工具在识别模拟信号方面非常有效，几乎正确标记了所有模拟信号。它在处理真实记录的宇宙射线信号时的表现良好但略低，这表明虽然该方法功能强大，但在处理现实世界数据的复杂性方面仍有改进空间。
此处呈现的工作代表了寻找高能宇宙射线起源过程中迈出的至关重要的一步。通过成功运行原型阵列并开发出能够将真实宇宙事件与噪声分离的处理流程，研究人员验证了大型 GRAND 实验的核心技术。识别出 51 个候选对象以及开发用于改进未来探测的机器学习工具，表明这条道路是清晰的。团队现在正转向规模更大、灵敏度更高的阵列，该阵列将能够绘制出银河系与河外宇宙射线之间的过渡图谱，从而可能揭示那些将这些粒子加速到如此惊人速度的宇宙隐秘引擎。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。