Métodos para estimar observables sensibles a la masa de rayos cósmicos de energía ultra alta utilizando redes neuronales artificiales

cnea.localizacionCentro Atómico Constituyentes
cnea.tipodocumentoTESIS DE DOCTORADO
dc.contributor.advisorEngel, Ralph
dc.contributor.advisorWundheiler, Brian
dc.contributor.authorHahn, Steffen Traugott
dc.contributor.cneaproductorComisión Nacional de Energía Atómica. Gerencia Área Académica. Gerencia Instituto Sabato
dc.coverage.spatialOBSERVATORIO PIERRE AUGER, MENDOZA, ARGENTINA
dc.date.accessioned2024-01-08T18:06:06Z
dc.date.available2024-01-08T18:06:06Z
dc.date.created2022-11-08
dc.date.embargoend2022-11-08
dc.description.abstractEl 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.
dc.description.abstractThe 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.
dc.description.institutionalaffiliationFil.: Hahn, Steffen Traugott. Comisión Nacional de Energía Atómica. Instituto Sabato; Argentina.
dc.description.institutionalaffiliationexternalKarlsruber Institut fur Technologie; Alemania
dc.description.recordsetseriesEvaluación académica
dc.format.extent294 p.
dc.format.mediumapplication/pdf
dc.identifier.cneaITS/TD 171/22
dc.identifier.cneaTD-ITS_EA-2022hahn
dc.identifier.urihttps://nuclea.cnea.gob.ar/handle/20.500.12553/4490
dc.language.ISO639-3eng
dc.publisherComisión Nacional de Energía Atómica. Gerencia Área Académica. Gerencia Instituto Sabato
dc.publisherUniversidad Nacional San Martin. Instituto de tecnología Sabato
dc.rights.accesslevelinfo:eu-repo/semantics/openAccess
dc.rights.urihttps://creativecommons.org/licenses/by-nc-sa/4.0/
dc.subject.inisRAYOS COSMICOS
dc.subject.inisREDES NEURONALES
dc.subject.inisNTELIGENCIA ARTIFICIAL
dc.subject.inisCHAPARRONES ATMOSFERICOS EXTENSOS
dc.subject.inisCHAPARRONES COSMICOS
dc.subject.inisDETECCION DE RAYOS COSMICOS
dc.subject.inisMUONES
dc.subject.inisSIMULACION COMPUTERIZADA
dc.subject.inisCOSMIC RAYS
dc.subject.inisNEURAL NETWORKS
dc.subject.inisARTIFICIAL INTELLIGENCE
dc.subject.inisCOSMIC SHOWERS
dc.subject.inisEXTENSIVE AIR SHOWERS
dc.subject.inisCOSMIC RAY DETECTION
dc.subject.inisMUONS
dc.subject.inisCOMPUTERIZED SIMULATION
dc.subject.keywordCOSMIC RAYS
dc.subject.keywordAIR SHOWER PHYSICS
dc.subject.keywordDEEP NEURAL NETWORK ANALYSIS
dc.titleMétodos para estimar observables sensibles a la masa de rayos cósmicos de energía ultra alta utilizando redes neuronales artificiales
dc.title.alternativeMethods for estimating mass-sensitive observables of ultra high energy cosmic rays using artificial neural networks
dc.typeTESIS
dc.type.openaireinfo:eu-repo/semantics/doctoralThesis
dc.type.snrdinfo:ar-repo/semantics/tesis doctoral
dc.type.versioninfo:eu-repo/semantics/publishedVersion
thesis.degree.grantorUniversidad Nacional San Martin. Instituto de Tecnología Sabato
thesis.degree.nameDoctor en Ciencas Naturales
Archivos
Bloque original
Mostrando 1 - 1 de 1
Cargando...
Miniatura
Nombre:
cnea_its_td_2022_171_22_HAHN.pdf.pdf
Tamaño:
109.15 MB
Formato:
Adobe Portable Document Format