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
Catalogo dei prodotti della ricerca
The measurement of the mass composition of ultra-high energy cosmic rays constitutes a prime challenge in astroparticle physics. Most detailed information on the composition can be obtained from measurements of the depth of maximum of air showers, Xmax, with the use of fluorescence telescopes, which can be operated only during clear and moonless nights. Using deep neural networks, it is now possible for the first time to perform an event-by-event reconstruction of Xmax with the Surface Detector (SD) of the Pierre Auger Observatory. Therefore, previously recorded data can be analyzed for information on Xmax, and thus, the cosmic-ray composition. Since the SD operates with a duty cycle of almost 100% and its event selection is less strict than for the Fluorescence Detector (FD), the gain in statistics with respect to the FD is almost a factor of 15 for energies above 1019.5 eV. In this contribution, we introduce the neural network particularly designed for the SD of the Pierre Auger Observatory. We evaluate its performance using three different hadronic interaction models, verify its functionality using Auger hybrid measurements, and find that the method can extract mass information on an event level.
Event-by-event reconstruction of the shower maximum Xmax with the surface detector of the Pierre Auger Observatory using deep learning / Glombitza, J., Abreu, P., Aglietta, M., Albury, J.M., Allekotte, I., Almela, A., Alvarez-Muniz, J., Alves Batista, R., Anastasi, G.A., Anchordoqui, L., Andrada, B., Andringa, S., Aramo, C., Araujo Ferreira, P.R., Arteaga Velazquez, J.C., Asorey, H., Assis, P., Avila, G., Badescu, A.M., Bakalova, A., et al.. - In: POS PROCEEDINGS OF SCIENCE. - ISSN 1824-8039. - 395:(2022), pp. 1-12. (37th International cosmic ray conference, ICRC 2021 Berlin, Germany ) [10.22323/1.395.0359].
Event-by-event reconstruction of the shower maximum Xmax with the surface detector of the Pierre Auger Observatory using deep learning
Glombitza J.;Abreu P.;Aglietta M.;Albury J. M.;Allekotte I.;Almela A.;Alvarez-Muniz J.;Alves Batista R.;Anastasi G. A.;Anchordoqui L.;Andrada B.;Andringa S.;Aramo C.;Araujo Ferreira P. R.;Arteaga Velazquez J. C.;Asorey H.;Assis P.;Avila G.;Badescu A. M.;Bakalova A.;Balaceanu A.;Barbato F.;Barreira Luz R. J.;Becker K. H.;Bellido J. A.;Berat C.;Bertaina M. E.;Bertou X.;Biermann P. L.;Binet V.;Bismark K.;Bister T.;Biteau J.;Blazek J.;Bleve C.;Bohacova M.;Boncioli D.;Bonifazi C.;Bonneau Arbeletche L.;Borodai N.;Botti A. M.;Brack J.;Bretz T.;Brichetto Orchera P. G.;Briechle F. L.;Buchholz P.;Bueno A.;Buitink S.;Buscemi M.;Busken 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.;Chudoba J.;Chytka L.;Clay R. W.;Cobos Cerutti A. C.;Colalillo R.;Coleman A.;Coluccia M. R.;Conceicao R.;Condorelli A.;Consolati G.;Contreras F.;Convenga F.;Correia dos Santos D.;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.;Deval L.;di Matteo A.;Dobrigkeit C.;D'Olivo J. C.;Domingues Mendes L. M.;dos Anjos R. C.;dos Santos D.;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.;Fitoussi T.;Fodran T.;Freire M. M.;Fujii T.;Fuster A.;Galea C.;Galelli C.;Garcia B.;Garcia Vegas A. L.;Gemmeke H.;Gesualdi F.;Gherghel-Lascu A.;Ghia P. L.;Giaccari U.;Giammarchi M.;Glombitza J.;Gobbi F.;Gollan F.;Golup G.;Gomez Berisso M.;Gomez Vitale P. F.;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.;Insolia A.;Isar P. G.;Janecek P.;Johnsen J. A.;Jurysek J.;Kaapa A.;Kampert K. H.;Karastathis N.;Keilhauer B.;Kemp J.;Khakurdikar A.;Kizakke Covilakam V. V.;Klages H. O.;Kleifges M.;Kleinfeller J.;Kopke M.;Kunka N.;Lago B. L.;Lang R. G.;Langner N.;Leigui de Oliveira M. A.;Lenok V.;Letessier-Selvon A.;Lhenry-Yvon I.;Lo Presti D.;Lopes L.;Lopez R.;Lu L.;Luce Q.;Lundquist J. P.;Machado Payeras A.;Mancarella G.;Mandat D.;Manning B. C.;Manshanden J.;Mantsch P.;Marafico S.;Mariazzi A. G.;Maris I. C.;Marsella G.;Martello D.;Martinelli S.;Martinez Bravo O.;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.;Pawlowsky J.;Pech M.;Pedreira F.;Pekala J.;Pelayo R.;Pena-Rodriguez J.;Pereira Martins E. E.;Perez Armand J.;Perez Bertolli C.;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.;Rodriguez Rojo J.;Roncoroni M. J.;Rossoni S.;Roth M.;Roulet E.;Rovero A. C.;Ruehl P.;Saftoiu A.;Salamida F.;Salazar H.;Salina G.;Sanabria Gomez J. D.;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.;Szadkowski Z.;Tapia A.;Taricco C.;Timmermans C.;Tkachenko O.;Tobiska P.;Todero Peixoto C. J.;Tome B.;Torres Z.;Travaini A.;Travnicek P.;Trimarelli C.;Tueros M.;Ulrich R.;Unger M.;Vaclavek L.;Vacula M.;Valdes Galicia J. F.;Valore L.;Varela E.;Vasquez-Ramirez A.;Veberic D.;Ventura C.;Vergara Quispe I. D.;Verzi V.;Vicha J.;Vink J.;Vorobiov S.;Wahlberg H.;Watanabe C.;Watson A. A.;Weber M.;Weindl A.;Wiencke L.;Wilczynski H.;Wirtz M.;Wittkowski D.;Wundheiler B.;Yushkov A.;Zapparrata O.;Zas E.;Zavrtanik D.;Zavrtanik M.;Zehrer L.
2022
Abstract
The measurement of the mass composition of ultra-high energy cosmic rays constitutes a prime challenge in astroparticle physics. Most detailed information on the composition can be obtained from measurements of the depth of maximum of air showers, Xmax, with the use of fluorescence telescopes, which can be operated only during clear and moonless nights. Using deep neural networks, it is now possible for the first time to perform an event-by-event reconstruction of Xmax with the Surface Detector (SD) of the Pierre Auger Observatory. Therefore, previously recorded data can be analyzed for information on Xmax, and thus, the cosmic-ray composition. Since the SD operates with a duty cycle of almost 100% and its event selection is less strict than for the Fluorescence Detector (FD), the gain in statistics with respect to the FD is almost a factor of 15 for energies above 1019.5 eV. In this contribution, we introduce the neural network particularly designed for the SD of the Pierre Auger Observatory. We evaluate its performance using three different hadronic interaction models, verify its functionality using Auger hybrid measurements, and find that the method can extract mass information on an event level.
37th International cosmic ray conference, ICRC 2021
pierre auger observatory; cosmic rays; mass composition
04 Pubblicazione in atti di convegno::04c Atto di convegno in rivista
Event-by-event reconstruction of the shower maximum Xmax with the surface detector of the Pierre Auger Observatory using deep learning / Glombitza, J., Abreu, P., Aglietta, M., Albury, J.M., Allekotte, I., Almela, A., Alvarez-Muniz, J., Alves Batista, R., Anastasi, G.A., Anchordoqui, L., Andrada, B., Andringa, S., Aramo, C., Araujo Ferreira, P.R., Arteaga Velazquez, J.C., Asorey, H., Assis, P., Avila, G., Badescu, A.M., Bakalova, A., et al.. - In: POS PROCEEDINGS OF SCIENCE. - ISSN 1824-8039. - 395:(2022), pp. 1-12. (37th International cosmic ray conference, ICRC 2021 Berlin, Germany ) [10.22323/1.395.0359].
Tipologia:
Versione editoriale (versione pubblicata con il layout dell'editore)
Licenza:
Creative commons
Dimensione
1.7 MB
Formato
Adobe PDF
1.7 MB
Adobe PDF
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/11573/1752322
Citazioni
ND
0
ND
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.
