Abstract
The atmospheric depth of the air shower maximum Xmax is an observable commonly used for the determination of the nuclear mass composition of ultra-high energy cosmic rays. Direct measurements of Xmax 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 Xmax 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 Xmax. 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 Xmax 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 g/cm2 at energies above 2×1019 eV.
| Original language | English (US) |
|---|---|
| Article number | P07019 |
| Journal | Journal of Instrumentation |
| Volume | 16 |
| Issue number | 7 |
| DOIs | |
| State | Published - Jul 2021 |
All Science Journal Classification (ASJC) codes
- Instrumentation
- Mathematical Physics
Access to Document
Other files and links
Fingerprint
Dive into the research topics of 'Deep-learning based reconstruction of the shower maximum Xmax using the water-Cherenkov detectors of the Pierre Auger Observatory'. Together they form a unique fingerprint.Cite this
- APA
- Author
- BIBTEX
- Harvard
- Standard
- RIS
- Vancouver
}
In: Journal of Instrumentation, Vol. 16, No. 7, P07019, 07.2021.
Research output: Contribution to journal › Article › peer-review
TY - JOUR
T1 - Deep-learning based reconstruction of the shower maximum Xmax using the water-Cherenkov detectors of the Pierre Auger Observatory
AU - Aab, A.
AU - Abreu, P.
AU - Aglietta, M.
AU - Albury, J. M.
AU - Allekotte, I.
AU - Almela, A.
AU - Alvarez-Muñiz, J.
AU - Batista, R. Alves
AU - Anastasi, G. A.
AU - Anchordoqui, L.
AU - Andrada, B.
AU - Andringa, S.
AU - Aramo, C.
AU - Ferreira, P. R.Araújo
AU - Velázquez, J. C.Arteaga
AU - Asorey, H.
AU - Assis, P.
AU - Avila, G.
AU - Badescu, A. M.
AU - Bakalova, A.
AU - Balaceanu, A.
AU - Barbato, F.
AU - Luz, R. J.Barreira
AU - Becker, K. H.
AU - Bellido, J. A.
AU - Berat, C.
AU - Bertaina, M. E.
AU - Bertou, X.
AU - Biermann, P. L.
AU - Bister, T.
AU - Biteau, J.
AU - Blazek, J.
AU - Bleve, C.
AU - Boháčová, M.
AU - Boncioli, D.
AU - Bonifazi, C.
AU - Arbeletche, L. Bonneau
AU - Borodai, N.
AU - Botti, A. M.
AU - Brack, J.
AU - Bretz, T.
AU - Orchera, P. G.Brichetto
AU - Briechle, F. L.
AU - Buchholz, P.
AU - Bueno, A.
AU - Buitink, S.
AU - Buscemi, M.
AU - Caballero-Mora, K. S.
AU - Caccianiga, L.
AU - Canfora, F.
AU - Caracas, I.
AU - Carceller, J. M.
AU - Caruso, R.
AU - Castellina, A.
AU - Catalani, F.
AU - Cataldi, G.
AU - Cazon, L.
AU - Cerda, M.
AU - Chinellato, J. A.
AU - Choi, K.
AU - Chudoba, J.
AU - Chytka, L.
AU - Clay, R. W.
AU - Cerutti, A. C.Cobos
AU - Colalillo, R.
AU - Coleman, A.
AU - Coluccia, M. R.
AU - Conceição, R.
AU - Condorelli, A.
AU - Consolati, G.
AU - Contreras, F.
AU - Convenga, F.
AU - dos Santos, D. Correia
AU - Covault, C. E.
AU - Dasso, S.
AU - Daumiller, K.
AU - Dawson, B. R.
AU - Day, J. A.
AU - de Almeida, R. M.
AU - de Jesús, J.
AU - de Jong, S. J.
AU - de Mauro, G.
AU - de Mello Neto, J. R.T.
AU - de Mitri, I.
AU - de Oliveira, J.
AU - de Oliveira Franco, D.
AU - de Palma, F.
AU - de Souza, V.
AU - de Vito, E.
AU - del Río, M.
AU - Deligny, O.
AU - Di Matteo, A.
AU - Dobrigkeit, C.
AU - D'Olivo, J. C.
AU - dos Anjos, R. C.
AU - Dova, M. T.
AU - Ebr, J.
AU - Engel, R.
AU - Epicoco, I.
AU - Erdmann, M.
AU - Escobar, C. O.
AU - Etchegoyen, A.
AU - Falcke, H.
AU - Farmer, J.
AU - Farrar, G.
AU - Fauth, A. C.
AU - Fazzini, N.
AU - Feldbusch, F.
AU - Fenu, F.
AU - Fick, B.
AU - Figueira, J. M.
AU - Filipčič, A.
AU - Fodran, T.
AU - Freire, M. M.
AU - Fujii, T.
AU - Fuster, A.
AU - Galea, C.
AU - Galelli, C.
AU - García, B.
AU - Vegas, A. L.Garcia
AU - Gemmeke, H.
AU - Gesualdi, F.
AU - Gherghel-Lascu, A.
AU - Ghia, P. L.
AU - Giaccari, U.
AU - Giammarchi, M.
AU - Giller, M.
AU - Glombitza, J.
AU - Gobbi, F.
AU - Gollan, F.
AU - Golup, G.
AU - Berisso, M. Gómez
AU - Vitale, P. F.Gómez
AU - Gongora, J. P.
AU - González, J. M.
AU - González, N.
AU - Goos, I.
AU - Góra, D.
AU - Gorgi, A.
AU - Gottowik, M.
AU - Grubb, T. D.
AU - Guarino, F.
AU - Guedes, G. P.
AU - Guido, E.
AU - Hahn, S.
AU - Hamal, P.
AU - Hampel, M. R.
AU - Hansen, P.
AU - Harari, D.
AU - Harvey, V. M.
AU - Haungs, A.
AU - Hebbeker, T.
AU - Heck, D.
AU - Hill, G. C.
AU - Hojvat, C.
AU - Hörandel, J. R.
AU - Horvath, P.
AU - Hrabovský, M.
AU - Huege, T.
AU - Hulsman, J.
AU - Insolia, A.
AU - Isar, P. G.
AU - Janecek, P.
AU - Johnsen, J. A.
AU - Jurysek, J.
AU - Kääpä, A.
AU - Kampert, K. H.
AU - Keilhauer, B.
AU - Kemp, J.
AU - Klages, H. O.
AU - Kleifges, M.
AU - Kleinfeller, J.
AU - Köpke, M.
AU - Kunka, N.
AU - Lago, B. L.
AU - Lang, R. G.
AU - Langner, N.
AU - de Oliveira, M. A.Leigui
AU - Lenok, V.
AU - Letessier-Selvon, A.
AU - Lhenry-Yvon, I.
AU - Presti, D. Lo
AU - Lopes, L.
AU - López, R.
AU - Lu, L.
AU - Luce, Q.
AU - Lucero, A.
AU - Lundquist, J. P.
AU - Payeras, A. Machado
AU - Mancarella, G.
AU - Mandat, D.
AU - Manning, B. C.
AU - Manshanden, J.
AU - Mantsch, P.
AU - Marafico, S.
AU - Mariazzi, A. G.
AU - Mariş, I. C.
AU - Marsella, G.
AU - Martello, D.
AU - Martinez, H.
AU - Bravo, O. Martínez
AU - Mastrodicasa, M.
AU - Mathes, H. J.
AU - Matthews, J.
AU - Matthiae, G.
AU - Mayotte, E.
AU - Mazur, P. O.
AU - Medina-Tanco, G.
AU - Melo, D.
AU - Menshikov, A.
AU - Merenda, K. D.
AU - Michal, S.
AU - Micheletti, M. I.
AU - Miramonti, L.
AU - Mollerach, S.
AU - Montanet, F.
AU - Morello, C.
AU - Mostafá, M.
AU - Müller, A. L.
AU - Muller, M. A.
AU - Mulrey, K.
AU - Mussa, R.
AU - Muzio, M.
AU - Namasaka, W. M.
AU - Nasr-Esfahani, A.
AU - Nellen, L.
AU - Niculescu-Oglinzanu, M.
AU - Niechciol, M.
AU - Nitz, D.
AU - Nosek, D.
AU - Novotny, V.
AU - Nožka, L.
AU - Nucita, A.
AU - Núñez, L. A.
AU - Palatka, M.
AU - Pallotta, J.
AU - Papenbreer, P.
AU - Parente, G.
AU - Parra, A.
AU - Pech, M.
AU - Pedreira, F.
AU - Pękala, J.
AU - Pelayo, R.
AU - Peña-Rodriguez, J.
AU - Martins, E. E.Pereira
AU - Armand, J. Perez
AU - Bertolli, C. Pérez
AU - Perlin, M.
AU - Perrone, L.
AU - Petrera, S.
AU - Pierog, T.
AU - Pimenta, M.
AU - Pirronello, V.
AU - Platino, M.
AU - Pont, B.
AU - Pothast, M.
AU - Privitera, P.
AU - Prouza, M.
AU - Puyleart, A.
AU - Querchfeld, S.
AU - Rautenberg, J.
AU - Ravignani, D.
AU - Reininghaus, M.
AU - Ridky, J.
AU - Riehn, F.
AU - Risse, M.
AU - Rizi, V.
AU - Rodrigues de Carvalho, W.
AU - Rojo, J. Rodriguez
AU - Roncoroni, M. J.
AU - Roth, M.
AU - Roulet, E.
AU - Rovero, A. C.
AU - Ruehl, P.
AU - Saffi, S. J.
AU - Saftoiu, A.
AU - Salamida, F.
AU - Salazar, H.
AU - Salina, G.
AU - Gomez, J. D.Sanabria
AU - Sánchez, F.
AU - Santos, E. M.
AU - Santos, E.
AU - Sarazin, F.
AU - Sarmento, R.
AU - Sarmiento-Cano, C.
AU - Sato, R.
AU - Savina, P.
AU - Schäfer, C. M.
AU - Scherini, V.
AU - Schieler, H.
AU - Schimassek, M.
AU - Schimp, M.
AU - Schlüter, F.
AU - Schmidt, D.
AU - Scholten, O.
AU - Schovánek, P.
AU - Schröder, F. G.
AU - Schröder, S.
AU - Schulte, J.
AU - Sciutto, S. J.
AU - Scornavacche, M.
AU - Segreto, A.
AU - Sehgal, S.
AU - Shellard, R. C.
AU - Sigl, G.
AU - Silli, G.
AU - Sima, O.
AU - Šmída, R.
AU - Sommers, P.
AU - Soriano, J. F.
AU - Souchard, J.
AU - Squartini, R.
AU - Stadelmaier, M.
AU - Stanca, D.
AU - Stanič, S.
AU - Stasielak, J.
AU - Stassi, P.
AU - Streich, A.
AU - Suárez-Durán, M.
AU - Sudholz, T.
AU - Suomijärvi, T.
AU - Supanitsky, A. D.
AU - Šupík, J.
AU - Szadkowski, Z.
AU - Taboada, A.
AU - Tapia, A.
AU - Taricco, C.
AU - Timmermans, C.
AU - Tkachenko, O.
AU - Tobiska, P.
AU - Peixoto, C. J.Todero
AU - Tomé, B.
AU - Travaini, A.
AU - Travnicek, P.
AU - Trimarelli, C.
AU - Trini, M.
AU - Tueros, M.
AU - Ulrich, R.
AU - Unger, M.
AU - Vaclavek, L.
AU - Vacula, M.
AU - Galicia, J. F.Valdés
AU - Valore, L.
AU - Varela, E.
AU - Varma, V. K.C.
AU - Vásquez-Ramírez, A.
AU - Veberič, D.
AU - Ventura, C.
AU - Quispe, I. D.Vergara
AU - Verzi, V.
AU - Vicha, J.
AU - Vink, J.
AU - Vorobiov, S.
AU - Wahlberg, H.
AU - Watanabe, C.
AU - Watson, A. A.
AU - Weber, M.
AU - Weindl, A.
AU - Wiencke, L.
AU - Wilczyński, H.
AU - Winchen, T.
AU - Wirtz, M.
AU - Wittkowski, D.
AU - Wundheiler, B.
AU - Yushkov, A.
AU - Zapparrata, O.
AU - Zas, E.
AU - Zavrtanik, D.
AU - Zavrtanik, M.
AU - Zehrer, L.
AU - Zepeda, A.
N1 - Publisher Copyright: © 2021 The Author(s).
PY - 2021/7
Y1 - 2021/7
N2 - The atmospheric depth of the air shower maximum Xmax is an observable commonly used for the determination of the nuclear mass composition of ultra-high energy cosmic rays. Direct measurements of Xmax 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 Xmax 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 Xmax. 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 Xmax 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 g/cm2 at energies above 2×1019 eV.
AB - The atmospheric depth of the air shower maximum Xmax is an observable commonly used for the determination of the nuclear mass composition of ultra-high energy cosmic rays. Direct measurements of Xmax 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 Xmax 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 Xmax. 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 Xmax 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 g/cm2 at energies above 2×1019 eV.
UR - http://www.scopus.com/inward/record.url?scp=85111106773&partnerID=8YFLogxK
UR - http://www.scopus.com/inward/citedby.url?scp=85111106773&partnerID=8YFLogxK
U2 - 10.1088/1748-0221/16/07/P07019
DO - 10.1088/1748-0221/16/07/P07019
M3 - Article
AN - SCOPUS:85111106773
SN - 1748-0221
VL - 16
JO - Journal of Instrumentation
JF - Journal of Instrumentation
IS - 7
M1 - P07019
ER -