Využití hlubokého strojového učení pro studium mionové složky kosmického záření v signálech z povrchového detektoru Observatoře Pierra Augera

Abstract

Táto práca sa zaoberá aplikáciou strojového učenia na určenie miónovej zložky signálu detekovaného vodnými Čerenkovovými detektormi Observatória Pierra Augera. Množstvo miónov v spŕške kozmického žiarenia je jedným z najdôležitejších parametrov, ktorý súvisí s hmotnostným zložením primárnej častice. Znalosť chemického zloženia je kľúčová pre overenie astrofyzikálnych modelov, ktoré popisujú urýchľovanie a propagáciu kozmického žiarenia a taktiež pre porozumenie vlastností hadrónových interakcií v oblastiach fázového priestoru, ktoré nejdú dosiahnuť na dnešných urýchľovačoch častíc. V analýze vykonanej v tejto práci sú použité dva typy neurónových sietí. V prvej časti je opísaná metóda určenia miónového signálu pomocou hlbokých neurónových sietí. V druhej časti analýzy sú použité rekurentné neurónové siete na určenie miónovej zložky v jednotlivých časových binoch. Touto metódou je možné presne zistiť miónový signál a jeho distribúciu v čase pre určité hodnoty energie, zenitového uhlu a vzdialeností stanice od centra spŕšky. Ukázali sme, že výsledky sú takmer nezávislé od zvoleného modelu hadrónových reakcií. Predbežná aplikácia na experimentálne dáta Observatória indikuje miónový deficit v simuláciách, ktorý je prítomný pre veľké rozpätie vzdialeností od centra spŕšky.

This thesis is devoted to the application of machine learning for the extraction of the muon component of the signal recorded by the water Cherenkov detectors of the Pierre Auger Observatory. The number of muons in air showers is one of the most important parameters linked to the mass of a primary particle. The knowledge of the mass composition is the key input required for verifying the astrophysical models describing the acceleration and propagation of cosmic rays and for understanding the properties of hadronic interactions in the phase space regions inaccessible to the man-made accelerators. Two types of neural networks are used in the analysis performed in this thesis. In the first part, the method for the prediction of a total muon signal with the deep neural network is described. The second part deals with the recurrent neural networks, which are used to predict the muonic component in individual time bins. With the latter method, an accurate estimation of muon signal and its arrival time distributions is possible for certain ranges of primary energy, zenith angles and distances to the core. Our tests have shown that the results are nearly independent of the choice of the hadronic interaction model. A preliminary application to the Auger data indicates that the muon deficit in simulations is present at a wide range of distances to the core.