Reconstrução da profundidade de máximo de chuveiros atmosféricos extensos utilizando uma rede neural perceptron multicamadas

• Ano de defesa: 2024
• Autor(a) principal: Vaz, Bruna Aguiar
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Aprendizado profundo; Chuveiros atmosféricos extensos; Cosmic rays; Deep learning; Extensive air showers; Neural network; Pierre Auger; Raios cósmicos
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/76/76135/tde-20082024-084742/

Os raios cósmicos são partículas carregadas que constantemente caem sobre nós a partir do espaço. A profundidade atmosférica do máximo de chuveiro atmosférico Xmax é uma grandeza observável comumente usada para determinar a composição de massa nuclear dos raios cósmicos de ultra-alta energia. Esta dissertação foi proposta no contexto da aplicação de aprendizado profundo para estudar os raios cósmicos de ultra-alta energia. O objetivo principal é reconstruir a profundidade atmosférica do máximo de chuveiro Xmax utilizando os detectores de fluorescência do Observatório Pierre Auger. A primeira parte do trabalho envolveu a criação de uma Rede Neural Perceptron de Múltiplas Camadas para regressão e o treinamento da rede com dados de um chuveiro atmosférico primário de prótons simulado com o CONEX. As entradas e saídas para a rede neural foram os conjuntos de partículas carregadas (N) e o resultado ajustado (GH) para a profundidade inclinada do máximo de chuveiro Xmax em g/cm2, respectivamente. Na segunda parte, o algoritmo foi treinado com diferentes partículas primárias, como Hélio, Carbono e Ferro, e foram medidas os resultados, precisão, desvios e média de Xmax durante o treinamento da rede. Os resultados permitiram alcançar um pequeno viés e uma previsão altamente precisa da profundidade atmosférica do máximo de chuveiro Xmax, contribuindo para o sucesso do treinamento. Além disso, foi uma oportunidade para explorar mais a Rede Neural como próximo passo. Embora as redes neurais já tenham sido utilizadas para a reconstrução de Xmax usando detectores de superfície (2), sua aplicação em detectores de fluorescência foi utilizada pela primeira vez neste trabalho.