Novel Methods for an established System: Moonlight Observations and Deep Learning Data Analysis with H.E.S.S.

Language
en
Document Type
Doctoral Thesis
Issue Date
2021-12-27
Issue Year
2021
Authors
Büchele, Matthias
Editor
Abstract

The High Energetic Stereoscopic System (H.E.S.S.) experiment has been successfully taking and analyzing gamma-ray data for more than a decade. It was designed to be at the technical frontier and since then many efforts were taken to keep that level of excellence. Nevertheless, there are still borders that are yet to be crossed. This work is focused on two of those constraints and provides the cornerstone for the system and its collaboration to not fall behind. The first one is the ability to extend the observation schedule by allowing safe operations of the telescopes during moonlight. Due to the detector system being a very sensitive and delicate system, additional light in the sky or the vicinity has always been a red flag. In the end, this is one of the main reasons why the site is located at an extremely remote place in the Khomas Highland at the heart of Namibia. The main science goal kept shifting from monitoring and scanning the gamma-ray night sky more and more to studying targets of opportunity in the last years, where the system reacts to an alert from another experiment when a source in the sky shows exceptional activity. Since those alerts might come in at any time, the question whether observations under moderate moonlight are possible became of interest. The developed model for the brightness of the night sky provides those answers together with different strategies to extend the system’s duty cycle by an additional 60% to 88%. The second main part goes the other direction: Instead of taking more data, the possibility of analyzing more of the data already available using machine learning techniques is investigated. Many events are recorded and written to disc but due to strict quality selection cuts never end up in an analysis. With the modern available hardware it is possible to apply deep learning algorithms that are capable of analyzing data that otherwise would have been discarded. Results on the Active Galactic Nucleus PKS 2155-304 are presented, where the signal to noise ratio of the analysis could be improved from 11.6 to 12.4. In this sense, both covered topics share the same goal of further pushing the limits of this well established system, to stay at the edge of modern astroparticle research.

Abstract

Das High Energetic Stereoscopic System (H.E.S.S.) Experiment beobachtet und analysiert Gammastrahlung erfolgreich seit mehr als einem Jahrzehnt. Es wurde an der Grenze des technisch Möglichen konstruiert und viele Bemühungen wurden jeher unternommen, um diesen Grad an Exzellenz zu erhalten. Nichtsdestotrotz gibt es immer noch Bereiche in die man noch nicht vorgedrungen ist. Diese Arbeit konzentriert sich auf zwei dieser Beschränkungen und legt den Grundstein für das System und die damit verbundene Kollaboration um nicht abgehängt zu werden. Der erste Punkt ist die Fähigkeit den Beobachtungszeitplan durch das Erlauben von Beobachtungen während Mondlichts zu erweitern. Da die Detektoren sehr empfindlich sind war zusätzliches Licht im Himmel oder der Umgebung immer ein rotes Tuch. Dies ist nicht zuletzt ein Grund dafür, warum sich der Standort an einem so abgelegenem Ort im Khomas Hochgebirge im Herzen Namibias befindet. Der wissenschaftliche Schwerpunkt hat sich in den letzten Jahren zunehmend verschoben. Von systematischen Beobachtungen und dem Abtasten des Gammastrahlen- Himmels hin zur Untersuchung von Gelegenheitszielen, bei denen das System auf den Alarm von anderen Experimenten reagiert, wenn eine Quelle im Himmel außergewöhnliche Aktivität zeigt. Da diese Alarme zeitlich nicht vorhersagbar sind stellte sich die Frage, ob Beobachtungen während mäßigem Mondlicht möglich sind. Das hierfür entwickelte Modell der Helligkeit des Nachthimmels liefert diese Antworten zusammen mit verschiedenen Strategien die den Betriebszyklus des Systems um zusätzliche 60% bis 88% erhöhen. Der zweite Teil der Arbeit geht die andere Richtung: Anstatt mehr Daten zu nehmen wird die Möglichkeit untersucht mehr der bereits vorhandenen Daten mittels maschinellem Lernen auszuwerten. Aufgrund von strengen Qualitätskriterien in den Standardanalysen werden viele Ereignisse zwar aufgezeichnet, aber nie in einer Auswertung verwendet. Mit der modernen verfügbaren Hardware ist es möglich Algorithmen mit tiefen maschinellen Lernen zu verwenden, die in der Lage sind Daten zu analysieren welche normalerweise verworfen würden. Ergebnisse des aktiven Galaxienkern PKS 2155-304 werden gezeigt, bei denen das Signalrauschverhältnis der Auswertung von 11.6 auf 12.4 verbessert werden konnte. In diesem Sinne verfolgen beide präsentierten Themen das gemeinsame Ziel die Grenzen dieses etablierten Systems zu erweitern um an der Front moderner Forschung im Bereich der Astroteilchenphysik bleiben zu können.

DOI
Faculties & Collections
Zugehörige ORCIDs