Rekonstrukce mionové produkční hloubky v atmosférických sprškách kosmického záření

Abstract

Atmosférické spršky kosmického záření jsou komplexními kaskádami částic, které vznikají při srážkách kosmického záření s jádry prvků v atmosféře. Prostřednictvím mionů vytvořených v takových sprškách lze získat důležité informace o chemickém složení kosmického záření a hadronových interakcích, ke kterým dochází na počátku vývoje spršek. Tyto informace lze získat skrze rekonstrukci Mionové Produkční Hloubky (MPD). Současný model rekonstrukce MPD je přizpůsoben sprškám šířených pod vysokými zenitovými úhly a mionům detekovaným daleko od jádra spršek. V této práci je představena nová metoda rekonstrukce MPD, využívající miony detekované v zakopaných detektorech a algoritmy strojového učení. Rozsah rekonstrukce je zde rozšířen na spršky šířené pod nižšími zenitovými úhly a miony dopadající blíže k jádru spršky. Použitelnost modelu pro různé energie a částice kosmického záření a odlišné modely hadronických interakcí je prozkoumána. Nakonec je představen druhý model strojového učení, jehož cílem je rekonstruovat spektrum energie mionů ve sprškách kosmického záření.Extensive Air Showers (EAS) are complex cascades of particles, emerging from collisions of cosmic rays with atmospheric nuclei. Muons created in EAS convey relevant information about the mass composition of cosmic rays and hadronic interactions occurring early in the EAS development. We can extract this information by reconstructing the Muon Production Depth (MPD). The existing method of the MPD reconstruction is tailored to EAS with high zenith angles and muons arriving far from the shower core. In this thesis, a new method of reconstructing the MPD is proposed, utilizing muons detected underground and machine learning algorithms. The reconstruction range is extended to low-zenith EAS while considerably reducing the present radial cut. We explore the model’s applicability to different energies and species of cosmic rays and various models of hadronic interactions. Lastly, a second machine learning model is introduced, with the aim of reconstructing the long-evading muon energy spectrum in EAS.