Deep-learning based reconstruction of the shower maximum Xmax using the water-Cherenkov detectors of the Pierre Auger Observatory

A. Aab, P. Abreu, M. Aglietta, J. M. Albury, I. Allekotte, A. Almela, J. Alvarez-Muñiz, R. Alves Batista, G. A. Anastasi, L. Anchordoqui, B. Andrada, S. Andringa, C. Aramo, P. R.Araújo Ferreira, J. C.Arteaga Velázquez, H. Asorey, P. Assis, G. Avila, A. M. Badescu, A. BakalovaA. Balaceanu, F. Barbato, R. J.Barreira Luz, K. H. Becker, J. A. Bellido, C. Berat, M. E. Bertaina, X. Bertou, P. L. Biermann, T. Bister, J. Biteau, J. Blazek, C. Bleve, M. Boháčová, D. Boncioli, C. Bonifazi, L. Bonneau Arbeletche, N. Borodai, A. M. Botti, J. Brack, T. Bretz, P. G.Brichetto Orchera, F. L. Briechle, P. Buchholz, A. Bueno, S. Buitink, M. Buscemi, K. S. Caballero-Mora, L. Caccianiga, F. Canfora, I. Caracas, J. M. Carceller, R. Caruso, A. Castellina, F. Catalani, G. Cataldi, L. Cazon, M. Cerda, J. A. Chinellato, K. Choi, J. Chudoba, L. Chytka, R. W. Clay, A. C.Cobos Cerutti, R. Colalillo, A. Coleman, M. R. Coluccia, R. Conceição, A. Condorelli, G. Consolati, F. Contreras, F. Convenga, D. Correia dos Santos, C. E. Covault, S. Dasso, K. Daumiller, B. R. Dawson, J. A. Day, R. M. de Almeida, J. de Jesús, S. J. de Jong, G. de Mauro, J. R.T. de Mello Neto, I. de Mitri, J. de Oliveira, D. de Oliveira Franco, F. de Palma, V. de Souza, E. de Vito, M. del Río, O. Deligny, A. Di Matteo, C. Dobrigkeit, J. C. D'Olivo, R. C. dos Anjos, M. T. Dova, J. Ebr, R. Engel, I. Epicoco, M. Erdmann, C. O. Escobar, A. Etchegoyen, H. Falcke, J. Farmer, G. Farrar, A. C. Fauth, N. Fazzini, F. Feldbusch, F. Fenu, B. Fick, J. M. Figueira, A. Filipčič, T. Fodran, M. M. Freire, T. Fujii, A. Fuster, C. Galea, C. Galelli, B. García, A. L.Garcia Vegas, H. Gemmeke, F. Gesualdi, A. Gherghel-Lascu, P. L. Ghia, U. Giaccari, M. Giammarchi, M. Giller, J. Glombitza, F. Gobbi, F. Gollan, G. Golup, M. Gómez Berisso, P. F.Gómez Vitale, J. P. Gongora, J. M. González, N. González, I. Goos, D. Góra, A. Gorgi, M. Gottowik, T. D. Grubb, F. Guarino, G. P. Guedes, E. Guido, S. Hahn, P. Hamal, M. R. Hampel, P. Hansen, D. Harari, V. M. Harvey, A. Haungs, T. Hebbeker, D. Heck, G. C. Hill, C. Hojvat, J. R. Hörandel, P. Horvath, M. Hrabovský, T. Huege, J. Hulsman, A. Insolia, P. G. Isar, P. Janecek, J. A. Johnsen, J. Jurysek, A. Kääpä, K. H. Kampert, B. Keilhauer, J. Kemp, H. O. Klages, M. Kleifges, J. Kleinfeller, M. Köpke, N. Kunka, B. L. Lago, R. G. Lang, N. Langner, M. A.Leigui de Oliveira, V. Lenok, A. Letessier-Selvon, I. Lhenry-Yvon, D. Lo Presti, L. Lopes, R. López, L. Lu, Q. Luce, A. Lucero, J. P. Lundquist, A. Machado Payeras, G. Mancarella, D. Mandat, B. C. Manning, J. Manshanden, P. Mantsch, S. Marafico, A. G. Mariazzi, I. C. Mariş, G. Marsella, D. Martello, H. Martinez, O. Martínez Bravo, M. Mastrodicasa, H. J. Mathes, J. Matthews, G. Matthiae, E. Mayotte, P. O. Mazur, G. Medina-Tanco, D. Melo, A. Menshikov, K. D. Merenda, S. Michal, M. I. Micheletti, L. Miramonti, S. Mollerach, F. Montanet, C. Morello, M. Mostafá, A. L. Müller, M. A. Muller, K. Mulrey, R. Mussa, M. Muzio, W. M. Namasaka, A. Nasr-Esfahani, L. Nellen, M. Niculescu-Oglinzanu, M. Niechciol, D. Nitz, D. Nosek, V. Novotny, L. Nožka, A. Nucita, L. A. Núñez, M. Palatka, J. Pallotta, P. Papenbreer, G. Parente, A. Parra, M. Pech, F. Pedreira, J. Pękala, R. Pelayo, J. Peña-Rodriguez, E. E.Pereira Martins, J. Perez Armand, C. Pérez Bertolli, M. Perlin, L. Perrone, S. Petrera, T. Pierog, M. Pimenta, V. Pirronello, M. Platino, B. Pont, M. Pothast, P. Privitera, M. Prouza, A. Puyleart, S. Querchfeld, J. Rautenberg, D. Ravignani, M. Reininghaus, J. Ridky, F. Riehn, M. Risse, V. Rizi, W. Rodrigues de Carvalho, J. Rodriguez Rojo, M. J. Roncoroni, M. Roth, E. Roulet, A. C. Rovero, P. Ruehl, S. J. Saffi, A. Saftoiu, F. Salamida, H. Salazar, G. Salina, J. D.Sanabria Gomez, F. Sánchez, E. M. Santos, E. Santos, F. Sarazin, R. Sarmento, C. Sarmiento-Cano, R. Sato, P. Savina, C. M. Schäfer, V. Scherini, H. Schieler, M. Schimassek, M. Schimp, F. Schlüter, D. Schmidt, O. Scholten, P. Schovánek, F. G. Schröder, S. Schröder, J. Schulte, S. J. Sciutto, M. Scornavacche, A. Segreto, S. Sehgal, R. C. Shellard, G. Sigl, G. Silli, O. Sima, R. Šmída, P. Sommers, J. F. Soriano, J. Souchard, R. Squartini, M. Stadelmaier, D. Stanca, S. Stanič, J. Stasielak, P. Stassi, A. Streich, M. Suárez-Durán, T. Sudholz, T. Suomijärvi, A. D. Supanitsky, J. Šupík, Z. Szadkowski, A. Taboada, A. Tapia, C. Taricco, C. Timmermans, O. Tkachenko, P. Tobiska, C. J.Todero Peixoto, B. Tomé, A. Travaini, P. Travnicek, C. Trimarelli, M. Trini, M. Tueros, R. Ulrich, M. Unger, L. Vaclavek, M. Vacula, J. F.Valdés Galicia, L. Valore, E. Varela, V. K.C. Varma, A. Vásquez-Ramírez, D. Veberič, C. Ventura, I. D.Vergara Quispe, V. Verzi, J. Vicha, J. Vink, S. Vorobiov, H. Wahlberg, C. Watanabe, A. A. Watson, M. Weber, A. Weindl, L. Wiencke, H. Wilczyński, T. Winchen, M. Wirtz, D. Wittkowski, B. Wundheiler, A. Yushkov, O. Zapparrata, E. Zas, D. Zavrtanik, M. Zavrtanik, L. Zehrer, A. Zepeda

Producción científica: Contribución a una revistaArtículorevisión exhaustiva

18 Citas (Scopus)

Resumen

The atmospheric depth of the air shower maximum Xmax is an observable commonly used for the determination of the nuclear mass composition of ultra-high energy cosmic rays. Direct measurements of Xmax 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 Xmax 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 Xmax. 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 Xmax 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/cm2 at energies above 2×1019 eV.

Idioma originalInglés
Número de artículoP07019
PublicaciónJournal of Instrumentation
Volumen16
N.º7
DOI
EstadoPublicada - jul. 2021
Publicado de forma externa

Huella

Profundice en los temas de investigación de 'Deep-learning based reconstruction of the shower maximum Xmax using the water-Cherenkov detectors of the Pierre Auger Observatory'. En conjunto forman una huella única.

Citar esto