- Real-time anomaly detection of gamma-ray bursts for the Cherenkov Telescope Array using deep learning
- Baroncelli, Leonardo <1989>
Subject
- ING-INF/05 Sistemi di elaborazione delle informazioni
Description
- The Cherenkov Telescope Array (CTA) will be the next-generation ground-based observatory to study the universe in the very-high-energy domain. The observatory will rely on a Science Alert Generation (SAG) system to analyze the real-time data from the telescopes and generate science alerts. The SAG system will play a crucial role in the search and follow-up of transients from external alerts, enabling multi-wavelength and multi-messenger collaborations. It will maximize the potential for the detection of the rarest phenomena, such as gamma-ray bursts (GRBs), which are the science case for this study. This study presents an anomaly detection method based on deep learning for detecting gamma-ray burst events in real-time. The performance of the proposed method is evaluated and compared against the Li&Ma standard technique in two use cases of serendipitous discoveries and follow-up observations, using short exposure times. The method shows promising results in detecting GRBs and is flexible enough to allow real-time search for transient events on multiple time scales. The method does not assume background nor source models and doe not require a minimum number of photon counts to perform analysis, making it well-suited for real-time analysis. Future improvements involve further tests, relaxing some of the assumptions made in this study as well as post-trials correction of the detection significance. Moreover, the ability to detect other transient classes in different scenarios must be investigated for completeness. The system can be integrated within the SAG system of CTA and deployed on the onsite computing clusters. This would provide valuable insights into the method's performance in a real-world setting and be another valuable tool for discovering new transient events in real-time. Overall, this study makes a significant contribution to the field of astrophysics by demonstrating the effectiveness of deep learning-based anomaly detection techniques for real-time source detection in gamma-ray astronomy.
- Il Cherenkov Telescope Array (CTA) sarà l'osservatorio terrestre di prossima generazione per lo studio dell'universo nel dominio delle altissime energie. L'osservatorio sfrutterà il sistema software di Science Alert Generation (SAG) per l'analisi in tempo reale dei dati osservativi e per generare automaticamente allerte scientifiche. Il sistema SAG svolgerà un ruolo da protagonista nella ricerca e nel follow-up di fenomeni transienti a seguito di allerte esterne, consentendo collaborazioni multi-wavelength e multi-messenger. Massimizzerà la capacità di rilevare i fenomeni più rari, come i lampi di raggi gamma (GRBs), che sono il caso scientifico di questo studio. Questo studio presenta una tecnica di anomaly detection basata sul deep learning per la rilevazione in tempo reale di GRBs. Le prestazioni della tecnica proposta sono valutate e confrontate con la tecnica standard di Li&Ma, nei due casi d'uso scientifici di serendipitous discoveries e follow-up observations, considerando brevi tempi di esposizione. La tecnica proposta mostra risultati promettenti e è abbastanza flessibile da consentire la ricerca di eventi transienti su più tempi scala. Non necessita di fare ipotesi sui modelli del background e della sorgente e non richiede un numero minimo di conteggi di fotoni per eseguire l'analisi, rendendola adatta per l'analisi in tempo reale. Miglioramenti futuri includono ulteriori test, accantonando alcune delle ipotesi semplificative assunte in questo studio, così come la correzione post-trial della significatività di rilevazione. Inoltre, dovrà essere testata la capacità di rilevare altre classi di transienti oltre ai GRBs. L'integrazione all'interno del sistema SAG e la messa in produzione nei centri di calcolo onsite, fornirebbe preziose informazioni sulle prestazioni del metodo con dati non simulati. Nel complesso, questo studio fornisce un contributo significativo al campo dell'astrofisica delle alte energie e dimostra l'efficacia della tecnica di anomaly detection per la rilevazione in tempo reale di fenomeni transienti.
Date
- 2023-06-16
Type
- Doctoral Thesis
- PeerReviewed
Format
- application/pdf
Identifier
urn:nbn:it:unibo-29353
Baroncelli, Leonardo (2023) Real-time anomaly detection of gamma-ray bursts for the Cherenkov Telescope Array using deep learning, [Dissertation thesis], Alma Mater Studiorum Università di Bologna. Dottorato di ricerca in Data science and computation