Förderprojekte

Förderbeginn 01.07.2023

Erforschung von Deep-Learning-basierten Rekonstruktionsalgorithmen für die Gammaastronomie

Prof. Dr. Stefan Funk
Friedrich-Alexander-Universität Erlangen-Nürnberg
ECAP- Erlangen Centre for Astroparticle Physics

Dr. Benjamin Nachman
University of California, Berkeley
Berkeley Institute for Data Science

Das Cherenkov Telescope Array (CTA) ist ein wegweisendes Projekt in der Hochenergie-Astrophysik, und wird astronomische Beobachtungen des Universums bei höchsten Energien ermöglichen und beispiellose Datenmengen liefern.

Der Einsatz von Künstlicher Intelligenz (KI), insbesondere des Deep Learning, bietet ein großes Potential für eine deutliche Verbesserung der Sensitivität des Experiments indem die Analyse der riesigen Datenmengen, welche pro Ereignis aufgezeichnet werden, in vollem Umfang ermöglicht wird.

Die Zusammenarbeit zwischen dem Erlangen Centre for Astroparticle Physics und dem Berkeley Institute for Data Science zielt darauf ab, eine enge Verbindung zwischen physikalischer Grundlagenforschung und Informationstechnologie aufzubauen. Sie konzentriert sich auf die Anwendung modernster Algorithmen des maschinellen Lernens für das zukünftige CTA Experiment, um moderne datengetriebene Methoden auf dem Gebiet der Gammaastronomie zu entwickeln und zu etablieren.

Abschlussbericht
Das Projekt ermöglichte die Finanzierung des Aufenthalts von Dr. Jonas Glombitza in der Arbeitsgruppe von Dr. Benjamin Nachman am Lawrence Berkeley National Lab. Während des Aufenthalts wurden Verbindungen zwischen dem kalifornischen und dem bayerischen Institut geknüpft, die zu einer ersten interexperimentellen Zusammenarbeit führten. Das entstandene gemeinsame Projekt untersucht die Anwendung von Diffusionsmodellen auf Simulationen von Cherenkov-Teleskopen, wie das zukünftige Flaggschiff CTA.

Der Aufenthalt ermöglichte einen Austausch über den neuesten Stand der Methoden in der Informatik. Dies führte zu einem neuen Ansatz in der generativen Modellierung von Teleskop-Simulationen unter Verwendung von Diffusionsmodellen. Einerseits kann dadurch die Robustheit von Deep-Learning-basierten Algorithmen erhöht werden, indem die aktuelle Simulation datenähnlicher wird. Andererseits ermöglicht dieser Ansatz schnelle und recheneffiziente Simulationen für die nächste Generation von Cherenkov-Teleskopen wie CTA sowie die Suche nach Anomalien in den Daten, die auf neue, bisher noch unbekannte Physik hinweisen könnten. Im Rahmen dieses Projekts wurden Verbesserungen zu früher veröffentlichten Methoden identifiziert, die eine genauere Modellierung der Datenverteilung für Protonenereignisse ermöglichen, Im Vergleich zu Generative Adversarial Networks, welche bisher Stand der Technik waren.

Die Ergebnisse (Elflein et al. 2024) wurden als Beitrag zum NeurIPS 2024, Workshop ML4PS, angenommen, und ein detailliertes Manuskript ist in Vorbereitung.

Das erfolgreiche Projekt, an dem zwei Postdocs, ein Doktorand und ein Diplomand beteiligt sind, motivierte bereits neue Kooperationen zwischen der Gammastrahlenastronomie und der Informationstechnologie, die für die Zukunft geplant sind.

C. Elflein et al., "Generation of Air Shower Images for Imaging Air Cherenkov Telescopes using Diffusion Models", ML4PS Workshop NeurIPS 2024, https://openreview.net/pdf?id=3by2lOSII6