Нейронные сети для поиска сигналов метеоров в данных орбитального телескопа “УФ атмосфера”

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

На Международной космической станции, начиная с 2019 г., работает российско-итальянский эксперимент “УФ атмосфера” (Mini-EUSO), основным инструментом которого является широкоугольный телескоп, направленный в надир. Главной целью эксперимента является получение карты излучения ночной атмосферы Земли в ультрафиолетовом диапазоне, что является необходимым элементом подготовки крупномасштабного эксперимента по изучению космических лучей предельно высоких энергий с помощью орбитального телескопа. Как и более ранний эксперимент ТУС, прибор “УФ атмосфера” регистрирует сигналы разнообразных процессов, происходящих в атмосфере в УФ диапазоне, и среди них – свечение метеоров. Мы описываем две простые нейронные сети, которые позволяют эффективно выделять сигналы метеоров в общем потоке данных. Реализованный подход может быть применен для поиска трекоподобных сигналов различной природы в данных флуоресцентных и черенковских телескопов.

Об авторах

М. Зотов

Московский государственный университет им. М.В. Ломоносова,
Научно-исследовательский институт ядерной физики им. Д.В. Скобельцына

Email: zotov@eas.sinp.msu.ru
Россия, Москва

Д. Соколинский

Московский государственный университет им. М.В. Ломоносова

Email: zotov@eas.sinp.msu.ru
Россия, Москва

А. Арифуллин

Московский государственный университет им. М.В. Ломоносова

Автор, ответственный за переписку.
Email: zotov@eas.sinp.msu.ru
Россия, Москва

Список литературы

  1. J. H. Adams, S. Ahmad, J.-N. Albert, D. Allard, et al., Exp. Astron. 40(1), 3 (2015).
  2. M. E. Bertaina and JEM-EUSO Collaboration, in 37th International Cosmic Ray Conference, held 12–23 July 2021, Berlin, Germany, PoS(ICRC2021) 395, id. 406 (2022).
  3. P. A. Klimov, M. I. Panasyuk, B. A. Khrenov, G. K. Garipov, et al., Space Sci. Rev. 212, 1687 (2017).
  4. B. A. Khrenov, P. A. Klimov, M. I. Panasyuk, S. A. Sha-rakin, et al., J. Cosmology and Astroparticle Phys. 9, id. 006 (2017).
  5. J. H. Adams, S. Ahmad, J.-N. Albert, D. Allard, et al., Exp. Astron. 40, 253 (2015).
  6. G. Abdellaoui, S. Abe, A. Acheli, J. Adams, et al., Planet. Space Sci. 143, 245 (2017).
  7. O. I. Ruiz-Hernandez, S. Sharakin, P. Klimov, O. M. Mar-tínez-Bravo, Planet. Space Sci. 218, id. 105507 (2022).
  8. S. Bacholle, P. Barrillon, M. Battisti, A. Belov, et al., Astrophys. J. Suppl. 253, id. 36 (2021).
  9. M. Casolino, J. Adams Jr., A. Anzalone, E. Arnone, et al., in 37th International Cosmic Ray Conference, held 12–23 July 2021, Berlin, Germany, PoS(ICRC2021) 395, id. 354 (2022).
  10. M. Casolino, D. Barghini, M. Battisti, C. Blaksley, et al., Remote Sensing Environment 284, id. 113336 (2023).
  11. P. Klimov, M. Battisti, A. Belov, M. Bertaina, et al., Universe 8, 88 (2022).
  12. A. V. Olinto, J. Krizmanic, J. H. Adams, R. Aloisio, et al. J. Cosmology and Astroparticle Phys. 2021(06), id. 007 (2021), arXiv:2012.07945 [astro-ph.IM].
  13. D. Barghini, M. Battisti, A. Belov, M. E. Bertaina, et al., in: 14th Europlanet Science Congress 2020, held virtually, 21 September 2020–9 October, 2020, online at https://www.epsc2020.eu/, id. EPSC2020-800 (2020).
  14. D. Barghini, M. Battisti, A. Belov, M. E. Bertaina, et al., in: 14th Europlanet Science Congress 2020, held virtually, 21 September 2020–9 October, 2020, online at https://www.epsc2020.eu/, id. EPSC2021–243 (2020).
  15. Y. Le Cun, L. Bottou, Y. Bengio, and P. Haffner, Proc. of the IEEE 86, 2278 (1998).
  16. D. Cireşan, U. Meier, and J. Schmidhuber, Computer Vision and Pattern Recognition 2012, 3642 (2012), arXiv:1202.2745 [cs.CV].
  17. D. Baron, arXiv:1904.07248 [astro-ph.IM] (2019).
  18. C. J. Fluke and C. Jacobs, WIREs Data Mining and Knowledge Discovery 10(2), id. e1349 (2019).https://doi.org/10.1002widm.1349
  19. S. G. Djorgovski, A. A. Mahabal, M. J. Graham, K. Polsterer, and A. Krone-Martins, arXiv:2212.01493 [astro-ph.IM] (2022).
  20. D. Fraser, Z. Khan, and D. Levy, in: Artificial Neural Networks, edited by I. Aleksander and J. Taylor (North-Holland, Amsterdam, 1992), p. 1155.
  21. V. Ş. Roman and C. Buiu, in: Proc. of the International Meteor Conference, held 18–21 September 2014, Giron, France, edited by J. L. Rault and P. Roggemans, Intern. Meteor Organization, p. 122 (2014).
  22. E. Silai, D. Vida, K. Nyarko, in: Proc. International Meteor Conference, Mistelbach, held 27–30 August 2015, Mistelbach, Austria, edited by J.-L. Rault and P. Roggemans, Intern. Meteor Organization, p. 24 (2015).
  23. P. S. Gural, Monthly Not. Roy. Astron. Soc. 489, 5109 (2019).
  24. D. Cecil and M. Campbell-Brown, Planet. Space Sci. 186 id. 104920 (2020).
  25. R. Sennlaub, M. Hofmann, M. Hankey, M. Ennes, T. Mül-ler, P. Kroll, and P. Mäder, Monthly Notices of the Royal Astronomical Society 516, 811 (2022).
  26. M. Y. Zotov and D. B. Sokolinskiy, Moscow University Phys. Bull. 75, 657 (2020).
  27. M. Zotov, Universe 7, 1 (2021), https://www.mdpi.com/2218-1997/7/7/221.
  28. I. Goodfellow, Y. Bengio, and A. Courville, Deep Learning (MIT Press, 2016).
  29. C. Рашка, B. Мирджалили, Python и машинное обучение (Packt Publishing, Диалек-тика, 2019).
  30. D. E. Rumelhart, G. E. Hinton, and R. J. Williams, Nature 323, 533 (1986).
  31. G. V. Cybenko, Mathematics of Control, Signals and Systems 2, 303 (1989).
  32. O. Ronneberger, P. Fischer, and T. Brox, arXiv:1505.04597 [cs.CV] (2015).
  33. G. Pasquali, G. C. Iannelli, and F. Dell’acqua, Remote Sensing 11, 2803 (2019).
  34. V. Scotti and G. Osteria, Nuclear Instruments and Methods in Physics Research A 958, id. 162164 (2020).
  35. M. Abadi, A. Agarwal, P. Barham, E. Brevdo, et al., TensorFlow: Large-scale machine learning on heterogeneous systems (2015), https://www.tensorflow.org/ .
  36. F. Pedregosa, G. Varoquaux, A. Gramfort, V. Michel, et al., J. Machine Learn. Res. 12, 2825 (2011).

Дополнительные файлы


© М. Зотов, Д. Соколинский, А. Арифуллин, 2023

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».