基于Eigenhits嵌入与无监督学习的宇宙射线异常信号检测方法研究

本文创新性地提出Eigenhits方法，通过主成分分析（PCA）生成宇宙射线（CREDO）CMOS探测器图像的嵌入特征，结合DBSCAN/OPTICS等聚类算法实现异常信号检测。该方法在13168张图像数据集中表现稳定，为暗物质（DM）、标准模型外现象等前沿研究提供新工具。

　　

亮点

本研究开创性地将Eigenfaces思想应用于宇宙射线图像分析，开发出Eigenhits嵌入方法，为探索超出标准模型（Beyond Standard Model）的物理现象提供全新工具。

方法学

本节详细描述CREDO实验数据集、异常检测问题定义及解决方案。如图1所示，我们通过Eigenhits嵌入结合聚类算法（如DBSCAN、OPTICS）实现异常检测。关键步骤包括：图像对齐（Section 2.3）、背景噪声消除（Section 2.4）和基于PCA的特征降维（Section 2.5）。

结果

实验采用Python 3.8环境，使用scikit-learn 1.0.2和scipy 1.8库。所有代码和CREDO数据集已开源。经图像对齐处理后，我们首次量化评估了坐标系基向量与完整数据集的距离（公式10），发现——（此处保留原文技术细节省略）

讨论

由于无标签数据特性，我们创新性地通过特征子集重建误差间接评估方法性能。实验证明，即使仅使用前50个主成分，仍能保持90%以上的图像信息完整性，这为暗物质候选体（如轴子夸克团块AQNs）的识别提供可靠技术支撑。

结论

Eigenhits方法成功实现宇宙射线图像的异常检测，将复杂物理问题转化为可计算的离群值检测问题。该技术不仅适用于单探测器事件分析，未来更可扩展至分布式探测器网络的多信使（multi-messenger）关联研究。