Métodos para estimar observables sensibles a la masa de rayos cósmicos de energía ultra alta utilizando redes neuronales artificiales
Methods for estimating mass-sensitive observables of ultra high energy cosmic rays using artificial neural networks
Cargando...
Fecha
Tipo de recurso
TESIS DE DOCTORADO
Autor / Creador principal
Responsable institucional (informe)
Compilador
Diseñador
Contacto (informe)
Promotor
Titular
Inventor
Tutor de tesis
Solicitante
Afiliación
Fil.: Hahn, Steffen Traugott. Comisión Nacional de Energía Atómica. Instituto Sabato; Argentina.
Karlsruber Institut fur Technologie; Alemania
Sede CNEA
Centro Atómico Constituyentes
Fecha de publicación
Fecha de creación
2022-11-08
Idioma
eng
Nivel de accesibilidad
Condiciones de uso
https://creativecommons.org/licenses/by-nc-sa/4.0/
Versión
info:eu-repo/semantics/publishedVersion
Identificador CNEA
ITS/TD 171/22
TD-ITS_EA-2022hahn
TD-ITS_EA-2022hahn
Identificador (documentos oficiales)
ISBN
ISSN
Cobertura espacial
OBSERVATORIO PIERRE AUGER, MENDOZA, ARGENTINA
Cobertura temporal
Materia INIS
RAYOS COSMICOS
REDES NEURONALES
NTELIGENCIA ARTIFICIAL
CHAPARRONES ATMOSFERICOS EXTENSOS
CHAPARRONES COSMICOS
DETECCION DE RAYOS COSMICOS
MUONES
SIMULACION COMPUTERIZADA
COSMIC RAYS
NEURAL NETWORKS
ARTIFICIAL INTELLIGENCE
COSMIC SHOWERS
EXTENSIVE AIR SHOWERS
COSMIC RAY DETECTION
MUONS
COMPUTERIZED SIMULATION
REDES NEURONALES
NTELIGENCIA ARTIFICIAL
CHAPARRONES ATMOSFERICOS EXTENSOS
CHAPARRONES COSMICOS
DETECCION DE RAYOS COSMICOS
MUONES
SIMULACION COMPUTERIZADA
COSMIC RAYS
NEURAL NETWORKS
ARTIFICIAL INTELLIGENCE
COSMIC SHOWERS
EXTENSIVE AIR SHOWERS
COSMIC RAY DETECTION
MUONS
COMPUTERIZED SIMULATION
Palabras clave
COSMIC RAYS
AIR SHOWER PHYSICS
DEEP NEURAL NETWORK ANALYSIS
AIR SHOWER PHYSICS
DEEP NEURAL NETWORK ANALYSIS
Macro-area temática
Formato (extensión)
294 p.
Editor
Comisión Nacional de Energía Atómica. Gerencia Área Académica. Gerencia Instituto Sabato
Universidad Nacional San Martin. Instituto de tecnología Sabato
Universidad Nacional San Martin. Instituto de tecnología Sabato
Es parte de
Es parte la serie
Agrupamiento documental - Sección
Agrupamiento documental - Serie
Evaluación académica
Institución académica
Universidad Nacional San Martin. Instituto de Tecnología Sabato
Titulación
Doctor en Ciencas Naturales
Fecha de resolución
Fecha de presentación de solicitud
Resolución
Estado
Prioridad - fecha
Estado de licenciamiento
Nº de prioridad
Nº de patente
Nº de solicitud
País de registro
Nivel de madurez de la tecnología
Campo de aplicación
Campo de desarrollo
Resumen
El Observatorio Pierre Auger, localizado en el hemisferio sur, es el mayor observatorio de rayos cósmicos del mundo, con un área de detección efectiva de más de 3000 km2, diseñado específicamente para detectar las cascadas de partículas inducidas. Para ello, utiliza un diseño híbrido, empleando la atmósfera como calorímetro para observar el desarrollo longitudinal de la cascada con detectores de fluorescencia, y un detector de superficie con estaciones ordenadas regularmente a nivel del suelo para medir el desarrollo lateral de las partículas secundarias producidas. Comúnmente, las partículas que llegan al suelo conforman la denominada ”huella de la cascada”. El reciente aumento de la popularidad de las redes neuronales artificiales ha proporcionado nuevas herramientas y de fácil implementación para abordar los problemas de la Física. El uso de redes neuronales ofrece la oportunidad de relacionar datos detallados, como las huellas de las cascadas, con observables físicos, como la energía de una cascada, sin necesidad de construir modelos analíticos. El objetivo central de esta tesis es la investigación de métodos basados en redes neuronales para extraer información de los datos tomados por el detector de superficie del Observatorio Pierre Auger que esté correlacionada con la masa de los rayos cósmicos. Para ello, he considerado dos enfoques diferentes y explorado la viabilidad del uso de redes neuronales. Así, el primer enfoque se basa en la extracción del contenido de muones en cada estación del detector de superficie y el segundo enfoque se basa en la medición de toda la huella de la cascada. Utilizando estudios de simulación de Monte Carlo, descarté el primer enfoque en favor del segundo, que mostró resultados más prometedores. A partir de este estudio basado en simulaciones, seleccioné tres modelos de red neuronal diferentes entrenados para predecir la máxima profundidad de la cascada, el contenido relativo de muones y la masa logarítmica a partir de las huellas de la cascada. Como paso final, apliqué las redes a datos medidos en el observatorio para estimar la composición química de los rayos cósmicos primarios.
The Pierre Auger Observatory, located in the southern hemisphere, is the largest cosmic ray observatory in the world, with an effective detection area of more than 3000 km2, designed specifically to detect induced particle cascades. To do this, it uses a hybrid design, using the atmosphere as a calorimeter to observe the longitudinal development of the cascade with fluorescence detectors, and a surface detector with regularly arranged stations at ground level to measure the lateral development of the secondary particles produced. Commonly, the particles that reach the ground make up the so-called “waterfall footprint”. The recent rise in popularity of artificial neural networks has provided new and easily implemented tools to address problems in Physics. The use of neural networks offers the opportunity to relate detailed data, such as waterfall footprints, to physical observables, such as the energy of a waterfall, without the need to build analytical models. The central objective of this thesis is the investigation of methods based on neural networks to extract information from the data taken by the surface detector of the Pierre Auger Observatory that is correlated with the mass of cosmic rays. To do this, I have considered two different approaches and explored the feasibility of using neural networks. Thus, the first approach is based on the extraction of the muon content at each station of the surface detector and the second approach is based on the measurement of the entire footprint of the cascade. Using Monte Carlo simulation studies, I discarded the first approach in favor of the second, which showed more promising results. From this simulation-based study, I selected three different neural network models trained to predict the maximum cascade depth, relative muon content, and log mass from the cascade traces. As a final step, I applied the networks to data measured at the observatory to estimate the chemical composition of primary cosmic rays.
The Pierre Auger Observatory, located in the southern hemisphere, is the largest cosmic ray observatory in the world, with an effective detection area of more than 3000 km2, designed specifically to detect induced particle cascades. To do this, it uses a hybrid design, using the atmosphere as a calorimeter to observe the longitudinal development of the cascade with fluorescence detectors, and a surface detector with regularly arranged stations at ground level to measure the lateral development of the secondary particles produced. Commonly, the particles that reach the ground make up the so-called “waterfall footprint”. The recent rise in popularity of artificial neural networks has provided new and easily implemented tools to address problems in Physics. The use of neural networks offers the opportunity to relate detailed data, such as waterfall footprints, to physical observables, such as the energy of a waterfall, without the need to build analytical models. The central objective of this thesis is the investigation of methods based on neural networks to extract information from the data taken by the surface detector of the Pierre Auger Observatory that is correlated with the mass of cosmic rays. To do this, I have considered two different approaches and explored the feasibility of using neural networks. Thus, the first approach is based on the extraction of the muon content at each station of the surface detector and the second approach is based on the measurement of the entire footprint of the cascade. Using Monte Carlo simulation studies, I discarded the first approach in favor of the second, which showed more promising results. From this simulation-based study, I selected three different neural network models trained to predict the maximum cascade depth, relative muon content, and log mass from the cascade traces. As a final step, I applied the networks to data measured at the observatory to estimate the chemical composition of primary cosmic rays.