Con il Cherenkov Telescope Array (CTA) attualmente in costruzione, i ricercatori sperano di osservare raggi gamma altamente energetici che potrebbero portare alla scoperta di nuovi oggetti dentro e fuori la nostra galassia e persino svelare il mistero della materia oscura. Però, identificare questi raggi gamma non è facile. I ricercatori del consorzio CTA stanno ora cercando di perfezionarlo con reti neurali addestrate sul supercomputer Piz Daint.

Al termine nel 2025, il Cherenkov Telescope Array (CTA) sarà il più grande array di telescopi per l'osservazione di raggi gamma mai costruito. Più di 100 telescopi con diametri compresi tra 4 e 23 metri sono in fase di installazione negli emisferi nord e sud, all'Osservatorio del Roque de los Muchachos sull'isola di La Palma delle Canarie e nel deserto di Atacama in Cile. I telescopi sono progettati per registrare in modo completo i lampi di luce indotti dai raggi gamma che viaggiano attraverso il cosmo e colpiscono l'atmosfera terrestre. I raggi gamma provengono da eventi cosmici violenti e sono un trilione di volte più energetici della luce visibile. Sono generati dai cosiddetti "acceleratori di particelle cosmiche" come esplosioni di supernova o buchi neri supermassicci che divorano le stelle circostanti, gas e polvere.

L'estrazione dei raggi gamma dalla pioggia di particelle rappresenta una sfida

Quando i raggi gamma colpiscono l'atmosfera terrestre, interagiscono con gli atomi e le molecole dell'aria per creare una pioggia di particelle, che produce principalmente lampi di luce blu chiamati luce Cherenkov. Questa luce viene raccolta dal sistema di specchi del telescopio appositamente progettato e focalizzata su fotocamere estremamente veloci. Con questi dati, i ricercatori possono trarre conclusioni sulla fonte dei raggi gamma che potrebbero consentire di scoprire centinaia di nuovi oggetti nella nostra galassia, la via Lattea, e persino nelle galassie che formano stelle e nei buchi neri supermassicci al di fuori di essa. I raggi gamma rilevati dalla CTA potrebbero, tra l'altro, forniscono anche una firma diretta della materia oscura, la cui esistenza è supportata da osservazioni indirette ma non è mai stata osservata direttamente.

Le foto di questi eventi cosmici raccolte dal CTA mostrano ellissi allungate, secondo Etienne Lyard e i suoi colleghi del Département d'Astronomie, Università di Ginevra, nel loro ultimo studio pubblicato su Journal of Physics:Conference Series . Ci sono due tipi di particelle che causano questi eventi:gli adroni, quali sono i più numerosi; e le particelle di interesse, i fotoni ad alta energia chiamati raggi gamma. "I ricercatori sono principalmente interessati ai raggi gamma, poiché attraversano lo spazio interstellare in linea retta, mentre gli adroni, essendo particelle cariche, piegarsi a causa di campi magnetici, "Dice Lyard.

Esistono procedure ben consolidate per la differenziazione tra raggi gamma e adroni; ma per essere il più certi possibile che solo i raggi gamma vengano rilevati e valutati, una grande quantità di eventi ambigui viene filtrata, che riduce la sensibilità complessiva degli strumenti. Tuttavia, a volte gli eventi adroni sono ancora erroneamente identificati come raggi gamma, che poi contaminano l'esperimento come rumore di fondo.

Le reti neurali migliorano la sensibilità dell'array di telescopi

Per migliorare la procedura di discriminazione tra adroni e raggi gamma, e quindi la sensibilità degli osservatori, Lyard e il suo team hanno ora tentato di distinguerli l'uno dall'altro utilizzando reti neurali convoluzionali profonde (CNN) addestrate sul supercomputer CSCS Piz Daint. Hanno valutato le prestazioni delle CNN rispetto ai metodi convenzionali per la rilevazione dei raggi gamma (Boosted Decision Trees) utilizzando eventi generati con simulazioni Monte Carlo, quale, secondo gli autori, si è avvicinato di più agli eventi reali. "Il nostro lavoro è un tentativo di utilizzare le reti neurali dalla visione artificiale, una sorta di visione artificiale, che elabora e analizza le immagini catturate dalle telecamere in vari modi e le adatta per lavorare sui nostri dati, " dice Lyard. E si scopre che, in condizioni specifiche, le CNN superano le tecniche classiche.

Sebbene ci sia ancora molto spazio per miglioramenti nell'architettura della CNN, i ricercatori sono convinti che questi e altri approcci di apprendimento automatico potrebbero aiutare a ottenere i migliori risultati scientifici dall'osservatorio CTA. "Siamo fiduciosi che questi approcci alla fine diventeranno la norma, perché già supera le tecniche all'avanguardia mentre nessuna informazione sui processi fisici in atto è stata inserita nell'analisi, " Dice Lyard. "Man mano che la nostra comprensione delle CNN cresce, criteri più appropriati, come lo sviluppo temporale delle ellissi allungate, verranno utilizzati per eseguire l'analisi, e le prestazioni complessive miglioreranno sicuramente, pure."