Докладчик
Описание
При моделировании ливней программой CORSIKA, чтобы ускорить расчет, отслеживают не все частицы, а их взвешенную выборку — это прореживание (thinning). Расчет с прореживанием называют прореженным, а полный, со всеми частицами, — непрореженным; он точнее, но дороже по времени.
Нейросети для определения типа (γ, p, Fe) и энергии первичной частицы обучают на прореженных расчетах. Но на непрореженных сеть, обученная на прореженных, почти не работает: при прямом переносе точность классификации падает с 94% до 16–40%.
Работа посвящена тому, как уменьшить этот разрыв при обучении. Рассматривается депрореживание — восстановление поштучной статистики детектора из прореженной выборки, чтобы приблизить обучающие данные к непрореженным. Сеть обучали на депрореженных откликах 42 станций и проверяли на непрореженных событиях.
Депрореживание выглядит перспективным способом сократить этот разрыв, но делать выводы рано — это касается и классификации типа, и оценки энергии. Текущие оценки завышены близостью обучающих и тестовых событий, а главная проверка, на независимых расчетах, еще впереди. Поэтому в работе мы представляем сам подход и план его проверки, а не итоговые цифры.