Attenzione: i dati modificati non sono ancora stati salvati. Per confermare inserimenti o cancellazioni di voci è necessario confermare con il tasto SALVA/INSERISCI in fondo alla pagina
Archivio istituzionale della ricerca dell'Università degli Studi di Palermo
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.
Aab A., Abreu P., Aglietta M., Albury J.M., Allekotte I., Almela A., et al. (2021). Deep-learning based reconstruction of the shower maximum Xmax using the water-Cherenkov detectors of the Pierre Auger Observatory. JOURNAL OF INSTRUMENTATION, 16(7), P07019 [10.1088/1748-0221/16/07/P07019].
Deep-learning based reconstruction of the shower maximum Xmax using the water-Cherenkov detectors of the Pierre Auger Observatory
Aab A.
;Abreu P.;Aglietta M.;Albury J. M.;Allekotte I.;Almela A.;Alvarez-Muniz J.;Batista R. A.;Anastasi G. A.;Anchordoqui L.;Andrada B.;Andringa S.;Aramo C.;Ferreira P. R. A.;Velazquez J. C. A.;Asorey H.;Assis P.;Avila G.;Badescu A. M.;Bakalova A.;Balaceanu A.;Barbato F.;Luz R. J. B.;Becker K. H.;Bellido J. A.;Berat C.;Bertaina M. E.;Bertou X.;Biermann P. L.;Bister T.;Biteau J.;Blazek J.;Bleve C.;Bohacova M.;Boncioli D.;Bonifazi C.;Arbeletche L. B.;Borodai N.;Botti A. M.;Brack J.;Bretz T.;Orchera P. G. B.;Briechle F. L.;Buchholz P.;Bueno A.;Buitink S.;Buscemi M.;Caballero-Mora K. S.;Caccianiga L.;Canfora F.;Caracas I.;Carceller J. M.;Caruso R.;Castellina A.;Catalani F.;Cataldi G.;Cazon L.;Cerda M.;Chinellato J. A.;Choi K.;Chudoba J.;Chytka L.;Clay R. W.;Cerutti A. C. C.;Colalillo R.;Coleman A.;Coluccia M. R.;Conceicao R.;Condorelli A.;Consolati G.;Contreras F.;Convenga F.;dos Santos D. C.;Covault C. E.;Dasso S.;Daumiller K.;Dawson B. R.;Day J. A.;de Almeida R. M.;de Jesus J.;de Jong S. J.;de Mauro G.;de Mello Neto J. R. T.;de Mitri I.;de Oliveira J.;de Oliveira Franco D.;de Palma F.;de Souza V.;de Vito E.;del Rio M.;Deligny O.;Di Matteo A.;Dobrigkeit C.;D'Olivo J. C.;dos Anjos R. C.;Dova M. T.;Ebr J.;Engel R.;Epicoco I.;Erdmann M.;Escobar C. O.;Etchegoyen A.;Falcke H.;Farmer J.;Farrar G.;Fauth A. C.;Fazzini N.;Feldbusch F.;Fenu F.;Fick B.;Figueira J. M.;Filipcic A.;Fodran T.;Freire M. M.;Fujii T.;Fuster A.;Galea C.;Galelli C.;Garcia B.;Vegas A. L. G.;Gemmeke H.;Gesualdi F.;Gherghel-Lascu A.;Ghia P. L.;Giaccari U.;Giammarchi M.;Giller M.;Glombitza J.;Gobbi F.;Gollan F.;Golup G.;Berisso M. G.;Vitale P. F. G.;Gongora J. P.;Gonzalez J. M.;Gonzalez N.;Goos I.;Gora D.;Gorgi A.;Gottowik M.;Grubb T. D.;Guarino F.;Guedes G. P.;Guido E.;Hahn S.;Hamal P.;Hampel M. R.;Hansen P.;Harari D.;Harvey V. M.;Haungs A.;Hebbeker T.;Heck D.;Hill G. C.;Hojvat C.;Horandel J. R.;Horvath P.;Hrabovsky M.;Huege T.;Hulsman J.;Insolia A.;Isar P. G.;Janecek P.;Johnsen J. A.;Jurysek J.;Kaapa A.;Kampert K. H.;Keilhauer B.;Kemp J.;Klages H. O.;Kleifges M.;Kleinfeller J.;Kopke M.;Kunka N.;Lago B. L.;Lang R. G.;Langner N.;de Oliveira M. A. L.;Lenok V.;Letessier-Selvon A.;Lhenry-Yvon I.;Presti D. L.;Lopes L.;Lopez R.;Lu L.;Luce Q.;Lucero A.;Lundquist J. P.;Payeras A. M.;Mancarella G.;Mandat D.;Manning B. C.;Manshanden J.;Mantsch P.;Marafico S.;Mariazzi A. G.;Maris I. C.;Marsella G.;Martello D.;Martinez H.;Bravo O. M.;Mastrodicasa M.;Mathes H. J.;Matthews J.;Matthiae G.;Mayotte E.;Mazur P. O.;Medina-Tanco G.;Melo D.;Menshikov A.;Merenda K. -D.;Michal S.;Micheletti M. I.;Miramonti L.;Mollerach S.;Montanet F.;Morello C.;Mostafa M.;Muller A. L.;Muller M. A.;Mulrey K.;Mussa R.;Muzio M.;Namasaka W. M.;Nasr-Esfahani A.;Nellen L.;Niculescu-Oglinzanu M.;Niechciol M.;Nitz D.;Nosek D.;Novotny V.;Nozka L.;Nucita A.;Nunez L. A.;Palatka M.;Pallotta J.;Papenbreer P.;Parente G.;Parra A.;Pech M.;Pedreira F.;Pekala J.;Pelayo R.;Pena-Rodriguez J.;Martins E. E. P.;Armand J. P.;Bertolli C. P.;Perlin M.;Perrone L.;Petrera S.;Pierog T.;Pimenta M.;Pirronello V.;Platino M.;Pont B.;Pothast M.;Privitera P.;Prouza M.;Puyleart A.;Querchfeld S.;Rautenberg J.;Ravignani D.;Reininghaus M.;Ridky J.;Riehn F.;Risse M.;Rizi V.;Rodrigues de Carvalho W.;Rojo J. R.;Roncoroni M. J.;Roth M.;Roulet E.;Rovero A. C.;Ruehl P.;Saffi S. J.;Saftoiu A.;Salamida F.;Salazar H.;Salina G.;Gomez J. D. S.;Sanchez F.;Santos E. M.;Santos E.;Sarazin F.;Sarmento R.;Sarmiento-Cano C.;Sato R.;Savina P.;Schafer C. M.;Scherini V.;Schieler H.;Schimassek M.;Schimp M.;Schluter F.;Schmidt D.;Scholten O.;Schovanek P.;Schroder F. G.;Schroder S.;Schulte J.;Sciutto S. J.;Scornavacche M.;Segreto A.;Sehgal S.;Shellard R. C.;Sigl G.;Silli G.;Sima O.;Smida R.;Sommers P.;Soriano J. F.;Souchard J.;Squartini R.;Stadelmaier M.;Stanca D.;Stanic S.;Stasielak J.;Stassi P.;Streich A.;Suarez-Duran M.;Sudholz T.;Suomijarvi T.;Supanitsky A. D.;Supik J.;Szadkowski Z.;Taboada A.;Tapia A.;Taricco C.;Timmermans C.;Tkachenko O.;Tobiska P.;Peixoto C. J. T.;Tome B.;Travaini A.;Travnicek P.;Trimarelli C.;Trini M.;Tueros M.;Ulrich R.;Unger M.;Vaclavek L.;Vacula M.;Galicia J. F. V.;Valore L.;Varela E.;Varma V. K. C.;Vasquez-Ramirez A.;Veberic D.;Ventura C.;Quispe I. D. V.;Verzi V.;Vicha J.;Vink J.;Vorobiov S.;Wahlberg H.;Watanabe C.;Watson A. A.;Weber M.;Weindl A.;Wiencke L.;Wilczynski H.;Winchen T.;Wirtz M.;Wittkowski D.;Wundheiler B.;Yushkov A.;Zapparrata O.;Zas E.;Zavrtanik D.;Zavrtanik M.;Zehrer L.;Zepeda A.
2021-01-01
Abstract
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.
Aab A., Abreu P., Aglietta M., Albury J.M., Allekotte I., Almela A., et al. (2021). Deep-learning based reconstruction of the shower maximum Xmax using the water-Cherenkov detectors of the Pierre Auger Observatory. JOURNAL OF INSTRUMENTATION, 16(7), P07019 [10.1088/1748-0221/16/07/P07019].
I documenti in IRIS sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.
Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/10447/546620
Citazioni
ND
23
13
social impact
Conferma cancellazione
Sei sicuro che questo prodotto debba essere cancellato?
simulazione ASN
Il report seguente simula gli indicatori relativi alla propria produzione scientifica in relazione alle soglie ASN 2023-2025 del proprio SC/SSD. Si ricorda che il superamento dei valori soglia (almeno 2 su 3) è requisito necessario ma non sufficiente al conseguimento dell'abilitazione. La simulazione si basa sui dati IRIS e sugli indicatori bibliometrici alla data indicata e non tiene conto di eventuali periodi di congedo obbligatorio, che in sede di domanda ASN danno diritto a incrementi percentuali dei valori. La simulazione può differire dall'esito di un’eventuale domanda ASN sia per errori di catalogazione e/o dati mancanti in IRIS, sia per la variabilità dei dati bibliometrici nel tempo. Si consideri che Anvur calcola i valori degli indicatori all'ultima data utile per la presentazione delle domande.
La presente simulazione è stata realizzata sulla base delle specifiche raccolte sul tavolo ER del Focus Group IRIS coordinato dall’Università di Modena e Reggio Emilia e delle regole riportate nel DM 589/2018 e allegata Tabella A. Cineca, l’Università di Modena e Reggio Emilia e il Focus Group IRIS non si assumono alcuna responsabilità in merito all’uso che il diretto interessato o terzi faranno della simulazione. Si specifica inoltre che la simulazione contiene calcoli effettuati con dati e algoritmi di pubblico dominio e deve quindi essere considerata come un mero ausilio al calcolo svolgibile manualmente o con strumenti equivalenti.
