The aim of this thesis is to determine the extra-galactic gamma-ray source-count distribution function (SCDF) using machine learning techniques. In this work, we will explore how to train and employ a Spherical Residual Neural Network to measure the SCDF in a wide range of the gamma-ray flux for gamma-rays whose energy lies between 1 and 10 GeV. The main result of this thesis consists in showing for the first time that it is possible to successfully apply machine learning techniques to determine the extra-galactic gamma-ray source-count distribution function. We will show that a neural network can be a viable alternative to other existing techniques in this field. We will derive a competitive measurement of the extra-galactic SCDF in the flux range [10^-11, 10^-7] cm^-2 s^-1, given the Fermi LAT 6-year photon counts map. Finally, we will show an updated measurement of the SCDF using the Fermi 12-year photon counts map.
Scopo della mia tesi è determinare la distribuzione extragalattica di sorgenti puntiformi (SCDF) utilizzando tecniche di machine learning. In questo lavoro, esploreremo come educare e utilizzare una Spherical Residual Neural Network per misurare la SCDF in un ampio intervallo di flusso di raggi gamma, per raggi gamma la cui energia è compresa tra 1 e 10 GeV. Il risultato principale di questa tesi consiste nel mostrare per la prima volta come sia possibile applicare con successo delle tecniche di machine learning per determinare la distribuzione extragalattica di sorgenti puntiformi. Mostreremo inoltre che una rete neurale può essere un’alternativa concreta ad altre tecniche preesistenti nel campo. Deriveremo una misura competitiva per la SCDF extragalattica nell'intervallo di flusso [10^-11, 10^-7] cm^-2 s^-1, data la mappa di Fermi per i conteggi di fotoni, ricavata a partire dai primi 6 anni di dati raccolti dalla collaborazione Fermi. Per finire, mostreremo una misura aggiornata della SCDF usando i più recenti dati raccolti dal telescopio Fermi, ovvero relativi agli ultimi 12 anni di presa dati.
Applicazione delle metodologie di machine learning nella determinazione della distribuzione del conteggio di sorgenti gamma sotto la soglia di rivelazione di Fermi-LAT
AMERIO, AURELIO
2020/2021
Abstract
Scopo della mia tesi è determinare la distribuzione extragalattica di sorgenti puntiformi (SCDF) utilizzando tecniche di machine learning. In questo lavoro, esploreremo come educare e utilizzare una Spherical Residual Neural Network per misurare la SCDF in un ampio intervallo di flusso di raggi gamma, per raggi gamma la cui energia è compresa tra 1 e 10 GeV. Il risultato principale di questa tesi consiste nel mostrare per la prima volta come sia possibile applicare con successo delle tecniche di machine learning per determinare la distribuzione extragalattica di sorgenti puntiformi. Mostreremo inoltre che una rete neurale può essere un’alternativa concreta ad altre tecniche preesistenti nel campo. Deriveremo una misura competitiva per la SCDF extragalattica nell'intervallo di flusso [10^-11, 10^-7] cm^-2 s^-1, data la mappa di Fermi per i conteggi di fotoni, ricavata a partire dai primi 6 anni di dati raccolti dalla collaborazione Fermi. Per finire, mostreremo una misura aggiornata della SCDF usando i più recenti dati raccolti dal telescopio Fermi, ovvero relativi agli ultimi 12 anni di presa dati.File | Dimensione | Formato | |
---|---|---|---|
800086_master_thesis_amerio_final.pdf
non disponibili
Tipologia:
Altro materiale allegato
Dimensione
24.3 MB
Formato
Adobe PDF
|
24.3 MB | Adobe PDF |
I documenti in UNITESI sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.
https://hdl.handle.net/20.500.14240/79380