ИСТИНА

Среди многих методов исследования процессов, происходящих в различных уголках Вселенной, изучение гамма-лучей высоких и сверхвысоких энергий является одним из наиболее перспективных направлений в области космических лучей. В отличии от заряженных космических лучей (протоны и атомные ядра), которые подвержены влиянию галактических и межгалактических магнитных полей, гамма лучи в силу своей электронейтральности сохраняют информацию об источнике своего происхождения. Это предопределило в последние годы бурное развитие экспериментальной гамма-астрономии в мире. Однако отметим, что поток гамма-лучей очень мал по сравнению с общим потоком космических лучей. Так для Крабовидной туманности, одного из ярких гамма источников, доля гамма-лучей в общем потоке составляет около 0.01%.Поэтому крайне важно разрабатывать новые эффективные методы классификации зарегистрированных событий. В настоящее время большую популярность приобретают новые алгоритмы для разделения гамма-лучей и заряженных космических лучей, основанных на глубоком обучении. В этой работе мы рассмотрели новый метод обнаружения редких гамма-квантов на адронном фоне с помощью модели глубокого обучения на основе нормализующих потоков. Эти модели являются генеративными моделями, которые строят обратимое преобразование нормального многомерного распределения случайного вектора в сложное распределение, представленной в виде экспериментальной выборки. Мы рассмотрели две версии метода одноклассовой классификации в двух вариантах. В первом случае в качестве обучающего класса выбраны протоны, а гамма-лучи рассматриваются как аномалии, а в втором случае наоборот. Метод апробировался на модельных Монте-Карло данных гамма-событий для проекта TAIGA.