| Project/Area Number |
24K07064
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (C)
|
| Allocation Type | Multi-year Fund |
|---|
| Section | 一般 |
|---|
| Review Section |
Basic Section 15020:Experimental studies related to particle-, nuclear-, cosmic ray and astro-physics
|
|---|
| Research Institution | The University of Tokyo |
|---|
Principal Investigator |
佐川 宏行 東京大学, 宇宙線研究所, 特任研究員 (80178590)
|
|---|
| Project Period (FY) |
2024-04-01 – 2027-03-31
|
| Project Status |
Granted (Fiscal Year 2024)
|
| Budget Amount *help |
¥4,680,000 (Direct Cost: ¥3,600,000、Indirect Cost: ¥1,080,000)
Fiscal Year 2026: ¥1,560,000 (Direct Cost: ¥1,200,000、Indirect Cost: ¥360,000)
Fiscal Year 2025: ¥1,690,000 (Direct Cost: ¥1,300,000、Indirect Cost: ¥390,000)
Fiscal Year 2024: ¥1,430,000 (Direct Cost: ¥1,100,000、Indirect Cost: ¥330,000)
|
|---|
| Keywords | 深層学習 / 超高エネルギー宇宙線 / エネルギースペクトル / 到来方向の異方性 / 質量組成 |
|---|
| Outline of Research at the Start |
これまで10の20乗電子ボルト程度の超高エネルギー宇宙線（UHECR）が観測されているが、どのように加速され、どこから来たかは未だに宇宙物理学の謎である。それを解明する上で質量組成は重要な情報である。宇宙線の空気シャワー観測では、主に大気蛍光望遠鏡による大気中の縦方向発達から質量組成の情報を得ているが、その稼働率は10%程度しかない。そこで本研究では、稼働率が100%に近く、統計的に有利な地表粒子検出器で観測したUHECRデータに対して、深層学習を活用して質量組成を識別する方法を確立することを目的とする。
|
| Outline of Annual Research Achievements |
これまで10の20乗電子ボルト程度の超高エネルギー宇宙線（UHECR）が観測されているが、どのように加速され、どこから来たかは未だに宇宙物理学の謎である。それを解明する上で質量組成は重要な情報である。宇宙線の空気シャワー観測では、主に大気蛍光望遠鏡による大気中の縦方向発達から質量組成の情報を得るが、その稼働率は10%程度である。本研究では、稼働率が100%に近く、統計的に有利な地表粒子検出器で観測したUHECRデータに深層学習を適用して質量組成を識別する方法を確立することを目的とする。
そこで、最新の深層学習を用いた解析ツールを構築し、最新の空気シャワーシミュレーションと現在の検出器シミュレーションを用いて解析手法を確立する。この手法を、北半球の米国ユタ州で稼働するテレスコープアレイ（TA）実験のUHECRデータに適用し、エネルギーと到来方向を測定し、質量組成の情報を抽出する。これ等を用いて、どのように宇宙線が加速され、伝播したかの知見を得ることができる。特に、質量（あるいは電荷）が大きいほど、宇宙磁場中の進行方向の変化が大きいので、電荷を考慮して、UHECRのエネルギーおよび到来方向を用いて、宇宙線の発生源天体の探索へ発展させたい。
2024年度は、初期文献調査、初期ソフトウェア草案およびデータ処理パイプラインの設計、トイモデルへの適用を行った。これをもとに、データ処理の修正と最適化、特にマルチGPU学習のための並列化を行った。台湾の中央研究院物理研究所のグリッドコンピュータで複数の相互作用モデルを用いた学習用シミュレーションを生成し、最適解の反復的な探索を行った。機械学習ワークショップを2回（台湾の物理研究所と日本の宇宙線研究所でそれぞれ1回ずつ）開催し、25名以上の参加者に機械学習手法のトレーニングを行い、広範な実践学習を行った。 また国際会議等で解析結果を発表した。
|
| Current Status of Research Progress |
Current Status of Research Progress
1: Research has progressed more than it was originally planned.
Reason
以下は、2025年度に予定していた項目の中で、1) ニューラルネットワーク、2) TAのシミュレーション、3) TAの実データに関する研究の中で、既に、2024年度に行われた項目をまとめたものである。
1) ニューラルネットワークに関しては、実用的なフレームワークを構築した状況であり、当初、最適な方法の構築を目指すことを2025年に予定していたが、既にその段階に入っている。
2) TAのシミュレーションに関しては、当初、2025年に、生成したシミュレーショ ンで性能評価を行うとしていたが、既に、TAの地表検出器（SD）データに関しては、検出器を含めた、現実的な検出器シミュレーションを大量に生成して、ニューラルネットワークを適用し、宇宙線のエネルギー、到来方向等のパラメータを再構成し、それらの出力値（観測値）の真の値に対するバイアスおよび分解能を求めた。これらの性能は、従来の再構成方法で求めた性能より、よい結果が出ている
3) TAの実データに関しては、当初、宇宙線空気シャワーの縦方向の発達を観測する大気蛍光望遠鏡（FD）および地表での横方向の広がりを観測するSDによって同時に観測した、TAハイブリッド実データに適用することを、2025年度に行うことを目指していた。2024年度には、既に、TAハイブリッド実データに対して、深層ニューラルネットワーク（DNN）の手法を適用して、DNNをSDデータに適用して求めたエネルギーと従来のFDデータ解析で求めたエネルギーの比較を行った。
そして、2024年度の国内会議および国際会議で、2)および3)の結果を発表した。以上より、当初の計画以上に進展していると判断した。
|
| Strategy for Future Research Activity |
2025年度には、以下の推進方策を考えている。
TAのデータ解析、特にエネルギースペクトルの系統的解析と測定における、さらなる最適化と初期応用を行う。まず、スイスのジュネーブで7月に開催される、第39回宇宙線国際会議（ICRC 2025）において、深層学習の手法による今後の解析の性能評価に関わる、従来の再構成によるエネルギースペクトルの系統的な誤差の評価について発表する。また、深層ニューラルネットワーク（DNN）学習において、測定精度に対するモンテカルロシミュレーションへの依存性を小さくするドメイン適応手法（機械学習の分野において、ある領域で学習したモデルを、異なる領域へ適用するための技術）を実装し、それに関する研究を行う。また、DNNからのイベントごとの誤差を推定する手法の実装を行い、それに関する研究を行う。これにより推定された誤差はTAの標準的な解析による誤差より小さくなることが期待され、TAの標準的なイベント選択よりも高い統計量を持つ（すなわち、統計的な精度がより良い）、DNN固有の新しいイベント選択方法を策定する。さらに、系統的な影響を考慮した新しいデータ解析パイプライン（機械学習モデルの構築やデータ解析において、データの抽出、変換、格納といったプロセスを一連の流れで自動化し、効率的に実行する仕組み）の開発を開始する。そして、これらをまとめた、最初の論文発表に向けて作業を進める。以上を推進するために、2024年度と同様に、年に2回（台湾と日本でそれずれ１回ずつ）程度のペースで、ワークショップを開催する予定である。
|
