English(EN) Reconstruction of cosmic-ray direction and energy in radio arrays using deep ensemble graph neural networks

图神经网络提升宇宙射线探测精度

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-02 04:00

研究人员开发了一种新方法，使用深度集成图神经网络来重建射电望远镜阵列探测到的宇宙射线的方向和能量。通过将触发的天线表示为图结构并将物理知识集成到GNN中，该方法提高了精度并减少了对大量训练数据的需求。该方法在模拟数据上实现了0.092度的角度分辨率和16.4%的能量重建分辨率，同时还纳入了不确定性估计以提高可靠性。 AI

影响这项研究展示了图神经网络如何提高天体物理学等领域的科学数据分析的准确性和效率。

排序理由详细介绍科学数据分析新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 14 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 详细介绍科学数据分析新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, infra; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Ars\`ene Ferri\`ere, Aur\'elien Benoit-L\'evy, Olivier Martineau-Huynh, Mat\'ias Tueros · 2026-10-02 04:00

使用深度集成图神经网络重建射电望远镜阵列的宇宙射线方向和能量

arXiv:2602.23321v2 Announce Type: replace-cross Abstract: Using advanced machine learning techniques, we developed a method to reconstruct the arrival direction and energy of ultra-high-energy cosmic rays from the voltage traces they induce on ground-based radio detector arrays. …

本文如何被排名

报道来源 [1]

使用深度集成图神经网络重建射电望远镜阵列的宇宙射线方向和能量

相关实体

相关话题