Published July 1, 2021 | Version v1
Publication Open

Deep-learning based reconstruction of the shower maximum X <sub>max</sub> using the water-Cherenkov detectors of the Pierre Auger Observatory

Creators

  • 1. Radboud University Nijmegen
  • 2. LIP - Laboratory of Instrumentation and Experimental Particle Physics
  • 3. University of Lisbon
  • 4. Osservatorio Astrofisico di Torino
  • 5. INFN Sezione di Torino
  • 6. University of Adelaide
  • 7. Polytechnic University of Bari
  • 8. Bariloche Atomic Centre
  • 9. Balseiro Institute
  • 10. Consejo Nacional de Investigaciones Científicas y Técnicas
  • 11. Instituto de Tecnologías en Detección y Astropartículas
  • 12. National University of General San Martín
  • 13. National Technological University
  • 14. Universidade de Santiago de Compostela
  • 15. University of Turin
  • 16. Lehman College
  • 17. City University of New York
  • 18. INFN Sezione di Napoli
  • 19. RWTH Aachen University
  • 20. Universidad Michoacana de San Nicolás de Hidalgo
  • 21. Comisión Nacional de Energía Atómica
  • 22. Polytechnic University of Bucharest
  • 23. Czech Academy of Sciences, Institute of Physics
  • 24. Horia Hulubei National Institute for R and D in Physics and Nuclear Engineering
  • 25. Gran Sasso Science Institute
  • 26. Gran Sasso National Laboratory
  • 27. University of Wuppertal
  • 28. National University of Saint Augustine
  • 29. Laboratory of Subatomic Physics and Cosmology
  • 30. Max Planck Institute for Radio Astronomy
  • 31. Institut de Physique
  • 32. University of L'Aquila
  • 33. Universidade Federal do Rio de Janeiro
  • 34. Universidade de São Paulo
  • 35. Institute of Nuclear Physics, Polish Academy of Sciences
  • 36. Colorado State University
  • 37. Folkwang University of the Arts
  • 38. University of Siegen
  • 39. Universidad de Granada
  • 40. Vrije Universiteit Brussel
  • 41. INFN Sezione di Catania
  • 42. Autonomous University of Chiapas
  • 43. University of Milan
  • 44. INFN Sezione di Milano
  • 45. National Institute for Subatomic Physics
  • 46. University of Catania
  • 47. INFN Sezione di Lecce
  • 48. Pierre Auger Observatory
  • 49. Universidade Estadual de Campinas (UNICAMP)
  • 50. Université Libre de Bruxelles
  • 51. Palacký University Olomouc
  • 52. University of Naples Federico II
  • 53. University of Delaware
  • 54. Politecnico di Milano
  • 55. University of Salento
  • 56. Universidade Federal Fluminense
  • 57. Case Western Reserve University
  • 58. Institute of Astronomy and Space Physics
  • 59. University of Buenos Aires
  • 60. Karlsruhe Institute of Technology
  • 61. Valongo Observatory
  • 62. Universidad Nacional Autónoma de México
  • 63. Universidade Federal do Paraná
  • 64. Universidad Nacional de La Plata

Description

Abstract The atmospheric depth of the air shower maximum X max is an observable commonly used for the determination of the nuclear mass composition of ultra-high energy cosmic rays. Direct measurements of X max are performed using observations of the longitudinal shower development with fluorescence telescopes. At the same time, several methods have been proposed for an indirect estimation of X max from the characteristics of the shower particles registered with surface detector arrays. In this paper, we present a deep neural network (DNN) for the estimation of X max . The reconstruction relies on the signals induced by shower particles in the ground based water-Cherenkov detectors of the Pierre Auger Observatory. The network architecture features recurrent long short-term memory layers to process the temporal structure of signals and hexagonal convolutions to exploit the symmetry of the surface detector array. We evaluate the performance of the network using air showers simulated with three different hadronic interaction models. Thereafter, we account for long-term detector effects and calibrate the reconstructed X max using fluorescence measurements. Finally, we show that the event-by-event resolution in the reconstruction of the shower maximum improves with increasing shower energy and reaches less than 25 g/cm 2 at energies above 2 × 10 19 eV.

⚠️ This is an automatic machine translation with an accuracy of 90-95%

Translated Description (Arabic)

الخلاصة إن العمق الجوي لدش الهواء الأقصى × الحد الأقصى هو أمر يمكن ملاحظته ويشيع استخدامه لتحديد التركيب الكتلي النووي للأشعة الكونية فائقة الطاقة. يتم إجراء القياسات المباشرة لـ X MAX باستخدام ملاحظات تطور الدش الطولي باستخدام تلسكوبات الفلورسنت. في الوقت نفسه، تم اقتراح عدة طرق لتقدير غير مباشر لـ X كحد أقصى من خصائص جزيئات الدش المسجلة مع مصفوفات كاشف السطح. في هذه الورقة، نقدم شبكة عصبية عميقة (DNN) لتقدير X max . تعتمد إعادة الإعمار على الإشارات التي تسببها جزيئات الدش في كاشفات شيرينكوف المائية الأرضية لمرصد بيير أوجيه. تتميز بنية الشبكة بطبقات ذاكرة متكررة طويلة المدى لمعالجة البنية الزمنية للإشارات والالتفافات السداسية لاستغلال تماثل مصفوفة كاشف السطح. نقوم بتقييم أداء الشبكة باستخدام حمامات هوائية تمت محاكاتها بثلاثة نماذج تفاعل هادرونيك مختلفة. بعد ذلك، نقوم بحساب تأثيرات الكاشف على المدى الطويل ومعايرة X max المعاد بناؤه باستخدام قياسات الفلورة. أخيرًا، نظهر أن دقة كل حدث على حدة في إعادة بناء الدش تتحسن مع زيادة طاقة الدش وتصل إلى أقل من 25 جم/سم 2 عند الطاقات فوق 2 × 10 19 فولت.

Translated Description (French)

Résumé La profondeur atmosphérique de la pluie d'air maximale X max est un observable couramment utilisé pour la détermination de la composition massique nucléaire des rayons cosmiques à ultra-haute énergie. Les mesures directes de X max sont effectuées à l'aide d'observations du développement longitudinal de la douche avec des télescopes à fluorescence. Dans le même temps, plusieurs méthodes ont été proposées pour une estimation indirecte de X max à partir des caractéristiques des particules de douche enregistrées avec des réseaux de détecteurs de surface. Dans cet article, nous présentons un réseau neuronal profond (DNN) pour l'estimation de X max . La reconstruction s'appuie sur les signaux induits par les particules de pluie dans les détecteurs d'eau au sol-Cherenkov de l'Observatoire Pierre Auger. L'architecture du réseau comporte des couches de mémoire récurrentes à long terme pour traiter la structure temporelle des signaux et des convolutions hexagonales pour exploiter la symétrie du réseau de détecteurs de surface. Nous évaluons les performances du réseau à l'aide de douches d'air simulées avec trois modèles d'interaction hadronique différents. Par la suite, nous tenons compte des effets de détecteur à long terme et calibrons le X max reconstruit à l'aide de mesures de fluorescence. Enfin, nous montrons que la résolution événement par événement dans la reconstruction du maximum de la douche s'améliore avec l'augmentation de l'énergie de la douche et atteint moins de 25 g/cm 2 à des énergies supérieures à 2 × 10 19 eV.

Translated Description (Spanish)

Resumen La profundidad atmosférica del máximo de la lluvia de aire X max es un observable comúnmente utilizado para la determinación de la composición de la masa nuclear de los rayos cósmicos de ultra alta energía. Las mediciones directas de X max se realizan observando el desarrollo de la ducha longitudinal con telescopios de fluorescencia. Al mismo tiempo, se han propuesto varios métodos para una estimación indirecta de X max a partir de las características de las partículas de ducha registradas con los conjuntos de detectores de superficie. En este artículo, presentamos una red neuronal profunda (DNN) para la estimación de X max . La reconstrucción se basa en las señales inducidas por las partículas de la ducha en los detectores de agua basados en tierra-Cherenkov del Observatorio Pierre Auger. La arquitectura de red presenta capas recurrentes de memoria a largo plazo para procesar la estructura temporal de las señales y convoluciones hexagonales para explotar la simetría de la matriz de detectores de superficie. Evaluamos el rendimiento de la red mediante duchas de aire simuladas con tres modelos diferentes de interacción hadrónica. A partir de entonces, tenemos en cuenta los efectos del detector a largo plazo y calibramos el X max reconstruido utilizando mediciones de fluorescencia. Finalmente, mostramos que la resolución evento por evento en la reconstrucción del máximo de ducha mejora con el aumento de la energía de la ducha y alcanza menos de 25 g/cm 2 a energías superiores a 2 × 10 19 eV.

Files

pdf.pdf

Files (11.9 kB)

⚠️ Please wait a few minutes before your translated files are ready ⚠️ Note: Some files might be protected thus translations might not work.
Name Size Download all
md5:aa976ec84d75d2061f834a6220e197a8
11.9 kB
Preview Download

Additional details

Additional titles

Translated title (Arabic)
إعادة بناء الدش القائم على التعلم العميق بحد أقصى × <sub>كحد أقصى</sub> باستخدام كاشفات المياه شيرنكوف لمرصد بيير أوجيه
Translated title (French)
Reconstruction en apprentissage profond du maximum de douche X <sub>max</sub> à l'aide des détecteurs d'eau-Cherenkov de l'Observatoire Pierre Auger
Translated title (Spanish)
Reconstrucción basada en el aprendizaje profundo del máximo de ducha X <sub>max</sub> utilizando los detectores de agua-Cherenkov del Observatorio Pierre Auger

Identifiers

Other
https://openalex.org/W3185503605
DOI
10.1088/1748-0221/16/07/p07019

Is supplement to
https://openalex.org/W8983565 (Other)
https://openalex.org/W4244543165 (Other)
https://openalex.org/W3048291233 (Other)
https://openalex.org/W2883297017 (Other)
https://openalex.org/W2808534468 (Other)
https://openalex.org/W2573115466 (Other)
https://openalex.org/W2182330382 (Other)
https://openalex.org/W2073415713 (Other)
https://openalex.org/W2062226916 (Other)
https://openalex.org/W2005882906 (Other)

GreSIS Basics Section

Is Global South Knowledge
Yes
Country
Brazil

References

  • https://openalex.org/W2023766335
  • https://openalex.org/W2074365252
  • https://openalex.org/W2099532532
  • https://openalex.org/W2118594272
  • https://openalex.org/W2128158076
  • https://openalex.org/W2128691539
  • https://openalex.org/W2138715053
  • https://openalex.org/W2138896212
  • https://openalex.org/W2151628591
  • https://openalex.org/W2194775991
  • https://openalex.org/W2558458663
  • https://openalex.org/W2573115466
  • https://openalex.org/W2739988885
  • https://openalex.org/W2765826044
  • https://openalex.org/W2964121744
  • https://openalex.org/W3105969529
  • https://openalex.org/W888081670