Back to Search Start Over

Deep-Learning based Reconstruction of the Shower Maximum $X_{\mathrm{max}}$ using the Water-Cherenkov Detectors of the Pierre Auger Observatory

Authors :
The Pierre Auger Collaboration
Aab, A.
Abreu, P.
Aglietta, M.
Albury, J. M.
Allekotte, I.
Almela, A.
Alvarez-Muñiz, J.
Batista, R. Alves
Anastasi, G. A.
Anchordoqui, L.
Andrada, B.
Andringa, S.
Aramo, C.
Ferreira, P. R. Araújo
Velázquez, J. C. Arteaga
Asorey, H.
Assis, P.
Avila, G.
Badescu, A. M.
Bakalova, A.
Balaceanu, A.
Barbato, F.
Luz, R. J. Barreira
Becker, K. H.
Bellido, J. A.
Berat, C.
Bertaina, M. E.
Bertou, X.
Biermann, P. L.
Bister, T.
Biteau, J.
Blazek, J.
Bleve, C.
Boháčová, M.
Boncioli, D.
Bonifazi, C.
Arbeletche, L. Bonneau
Borodai, N.
Botti, A. M.
Brack, J.
Bretz, T.
Orchera, P. G. Brichetto
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. Cobos
Colalillo, R.
Coleman, A.
Coluccia, M. R.
Conceição, R.
Condorelli, A.
Consolati, G.
Contreras, F.
Convenga, F.
Santos, D. Correia dos
Covault, C. E.
Dasso, S.
Daumiller, K.
Dawson, B. R.
Day, J. A.
de Almeida, R. M.
de Jesús, J.
de Jong, S. J.
De Mauro, G.
Neto, J. R. T. de Mello
De Mitri, I.
de Oliveira, J.
Franco, D. de Oliveira
de Palma, F.
de Souza, V.
De Vito, E.
del Río, M.
Deligny, O.
Di Matteo, A.
Dobrigkeit, C.
D'Olivo, J. C.
Anjos, R. C. dos
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.
Filipčič, A.
Fodran, T.
Freire, M. M.
Fujii, T.
Fuster, A.
Galea, C.
Galelli, C.
García, B.
Vegas, A. L. Garcia
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. Gómez
Vitale, P. F. Gómez
Gongora, J. P.
González, J. M.
González, N.
Goos, I.
Góra, 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.
Hörandel, J. R.
Horvath, P.
Hrabovský, M.
Huege, T.
Hulsman, J.
Insolia, A.
Isar, P. G.
Janecek, P.
Johnsen, J. A.
Jurysek, J.
Kääpä, A.
Kampert, K. H.
Keilhauer, B.
Kemp, J.
Klages, H. O.
Kleifges, M.
Kleinfeller, J.
Köpke, M.
Kunka, N.
Lago, B. L.
Lang, R. G.
Langner, N.
de Oliveira, M. A. Leigui
Lenok, V.
Letessier-Selvon, A.
Lhenry-Yvon, I.
Presti, D. Lo
Lopes, L.
López, R.
Lu, L.
Luce, Q.
Lucero, A.
Lundquist, J. P.
Payeras, A. Machado
Mancarella, G.
Mandat, D.
Manning, B. C.
Manshanden, J.
Mantsch, P.
Marafico, S.
Mariazzi, A. G.
Mariş, I. C.
Marsella, G.
Martello, D.
Martinez, H.
Bravo, O. Martínez
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.
Mostafá, M.
Müller, 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.
Nožka, L.
Nucita, A
Núñez, L. A.
Palatka, M.
Pallotta, J.
Papenbreer, P.
Parente, G.
Parra, A.
Pech, M.
Pedreira, F.
Pękala, J.
Pelayo, R.
Peña-Rodriguez, J.
Martins, E. E. Pereira
Armand, J. Perez
Bertolli, C. Pérez
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.
de Carvalho, W. Rodrigues
Rojo, J. Rodriguez
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. Sanabria
Sánchez, F.
Santos, E. M.
Santos, E.
Sarazin, F.
Sarmento, R.
Sarmiento-Cano, C.
Sato, R.
Savina, P.
Schäfer, C. M.
Scherini, V.
Schieler, H.
Schimassek, M.
Schimp, M.
Schlüter, F.
Schmidt, D.
Scholten, O.
Schovánek, P.
Schröder, F. G.
Schröder, S.
Schulte, J.
Sciutto, S. J.
Scornavacche, M.
Segreto, A.
Sehgal, S.
Shellard, R. C.
Sigl, G.
Silli, G.
Sima, O.
Šmída, R.
Sommers, P.
Soriano, J. F.
Souchard, J.
Squartini, R.
Stadelmaier, M.
Stanca, D.
Stanič, S.
Stasielak, J.
Stassi, P.
Streich, A.
Suárez-Durán, M.
Sudholz, T.
Suomijärvi, T.
Supanitsky, A. D.
Šupík, J.
Szadkowski, Z.
Taboada, A.
Tapia, A.
Taricco, C.
Timmermans, C.
Tkachenko, O.
Tobiska, P.
Peixoto, C. J. Todero
Tomé, B.
Travaini, A.
Travnicek, P.
Trimarelli, C.
Trini, M.
Tueros, M.
Ulrich, R.
Unger, M.
Vaclavek, L.
Vacula, M.
Galicia, J. F. Valdés
Valore, L.
Varela, E.
C., V. Varma K.
Vásquez-Ramírez, A.
Veberič, D.
Ventura, C.
Quispe, I. D. Vergara
Verzi, V.
Vicha, J.
Vink, J.
Vorobiov, S.
Wahlberg, H.
Watanabe, C.
Watson, A. A.
Weber, M.
Weindl, A.
Wiencke, L.
Wilczyński, H.
Winchen, T.
Wirtz, M.
Wittkowski, D.
Wundheiler, B.
Yushkov, A.
Zapparrata, O.
Zas, E.
Zavrtanik, D.
Zavrtanik, M.
Zehrer, L.
Zepeda, A.
Source :
JINST 16 P07019 (2021)
Publication Year :
2021

Abstract

The atmospheric depth of the air shower maximum $X_{\mathrm{max}}$ is an observable commonly used for the determination of the nuclear mass composition of ultra-high energy cosmic rays. Direct measurements of $X_{\mathrm{max}}$ 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 $X_{\mathrm{max}}$ 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 $X_{\mathrm{max}}$. 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 $X_{\mathrm{max}}$ 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 $25~\mathrm{g/cm^{2}}$ at energies above $2\times 10^{19}~\mathrm{eV}$.<br />Comment: Published version, 29 pages, 12 figures

Details

Database :
arXiv
Journal :
JINST 16 P07019 (2021)
Publication Type :
Report
Accession number :
edsarx.2101.02946
Document Type :
Working Paper
Full Text :
https://doi.org/10.1088/1748-0221/16/07/P07019