Methods for Estimating Mass-Sensitive Observables of Ultra-High Energy Cosmic Rays using Artificial Neural Networks

Die ultrahochenergetische kosmische Strahlung besteht aus den energiereichsten, natürlich vorkommenden Teilchen, die der Menschheit bekannt sind. Da sie zwei Größenordnungen jenseits der Energieskala der derzeitigen Generation von Teilchenbeschleunigern liegt, sind die Fragen, wie die kosmische Strahlung ihre Energie erhält und woher sie stammt, noch immer ein Mysterium. Darüber hinaus stellt der Überschuss an Myonen in den Zerfallsprodukten der ultrahochenergetischen kosmischen Strahlung in der Erdatmosphäre auch unser Verständnis der hadronischen Wechselwirkungen bei höchsten Energien in Frage. ... mehrUm die Rätsel der kosmischen Strahlung zu lösen, ist es unerlässlich, die Massen der einfallenden kosmischen Strahlen zu bestimmen. Die Trennung der schweren kosmischen Strahlung von der leichten kosmischen Strahlung ermöglicht Untersuchungen der Einfallsrichtungen, um minimal abgelenkte kosmische Strahlung mit potenziellen Quellen in Verbindung zu bringen. Da die Anzahl der Nukleonen direkt mit der Anzahl der erzeugten Myonen zusammenhängt, können wir dadurch außerdem die Modelle der hadronischen Wechselwirkung anhand realer Messungen überprüfen.

Aufgrund des geringen Flusses der ultrahochenergetischen kosmischen Strahlung sind große Detektoren für den indirekten Nachweis der kosmischen Strahlung erforderlich, um genügend Statistik zu erhalten. Das Pierre-Auger-Observatorium ist das größte Observatorium für kosmische Strahlung auf der Welt und deckt einen Fläche von über 3000 km$^2$ ab. Der Zerfall eines hochenergetischen Teilchens in der Atmosphäre löst eine Kaskade von Sekundärteilchen aus, die als Luftschauer bezeichnet wird. Das Observatorium ist speziell für den Nachweis von solchen Luftschauern konzipiert worden. Dabei wird die Atmosphäre als Kalorimeter genutzt, um die Entwicklung der Schauer in Längsrichtung mit Fluoreszenzdetektoren zu messen. Zusätzlich wird ein Oberflächendetektor mit regelmäßig angeordneten Detektorstationen eingesetzt, um die Menge der erzeugten Sekundärteilchen zu messen. Diese Sekundärteilchen werden üblicherweise als Schauer-Fußabdruck bezeichnet.

Die zunehmende Popularität künstlicher neuronaler Netze in jüngster Zeit hat Physikern neue, einfach zu handhabende Werkzeuge gegeben, um physikalische Probleme datengesteuert anzugehen. Die Verwendung neuronaler Netze bietet die Möglichkeit, detaillierte Daten, wie z. B. Schauer-Fußabdrücke, mit physikalischen Beobachtungsgrößen, wie z. B. der Energie eines Luftschauers, in Beziehung zu setzen, ohne dass ein analytisches Modell erstellt werden muss.

Das Hauptziel dieser Arbeit ist die Untersuchung von Methoden, die auf neuronalen Netzen basieren, um aus den Daten des Oberflächendetektors des Pierre-Auger-Observatoriums Informationen zu extrahieren, die mit der Masse der kosmischen Strahlung korrelieren. Um dies zu erreichen, habe ich zwei verschiedene Ansätze in Betracht gezogen und die Nützlichkeit der Verwendung neuronaler Netze untersucht. Dabei basiert der erste Ansatz auf der Extraktion des Myonengehalts in jeder Station des Oberflächendetektors und der zweite Ansatz auf der Messung des gesamten Schauer-Fußabdrucks. Anhand von Monte-Carlo-Simulationsstudien habe ich den ersten Ansatz zugunsten des zweiten verworfen, da letzterer vielversprechendere Ergebnisse lieferte. Aus dieser Simulationsstudie habe ich drei verschiedene neuronale Netze ausgewählt, die für die Vorhersage der Tiefe des Schauer-Maximums, des relativen Myonengehalts und der logarithmischen Masse von Schauer-Fußabdrücken trainiert wurden. In einem letzten Schritt benutzte ich die Netzwerke, um die Massenzusammensetzung der ultrahochenergetischen kosmischen Strahlung aus Messungen vom Pierre Auger Observatorium zu bestimmen.

Ultra-high-energy cosmic rays are the most energetic, naturally occurring particles known to humankind. Being two orders of magnitude beyond the energy scale of the current generation of accelerators, the questions of how the cosmic rays obtain their energy and where they originate from are still a mystery. Moreover, the excess of muons in the decay products of ultra-high-energy cosmic rays in Earth's atmosphere also challenges our understanding of hadronic interactions at the highest energies. To solve the mysteries around cosmic ray physics, it is integral to identify the masses of the incoming cosmic rays. ... mehrThe separation of heavy cosmic rays from light cosmic rays allows for studies of the arrival directions to match minimally-deflected cosmic rays to potential source candidates.
In addition, since the number of nucleons is directly related to the number of muons produced, it also grants us the ability to cross-test hadronic interaction models on real measurements.

Due to the low flux of ultra-high-energy cosmic rays, large detectors for the indirect detection of cosmic rays are required to obtain enough statistics. The interaction of a cosmic ray with Earth's atmosphere triggers a cascade of secondary particles called air shower. The Pierre Auger Observatory is the largest cosmic-ray observatory in the world, covering an effective detection area of over 3000 km$^2$ specifically designed to detect air showers. The observatory has a hybrid design, using the atmosphere as a calorimeter to observe the longitudinal shower development with fluorescence detectors and a surface detector of regularly arranged detector stations on ground level to measure the amount of produced secondary particles. Commonly, the particles arriving at the ground are referred to as shower footprint.

The recent rise in the popularity of artificial neural networks granted physicists new, easy-to-use tools to approach physics problems in a data-driven way. Using neural networks presents an opportunity to relate detailed data, such as shower footprints, to physical observables, such as the energy of an air shower, without the need for analytical model building.

The central objective of this thesis is the investigation of methods based on neural networks to extract information from data taken by the surface detector of the Pierre Auger Observatory that is correlated to the mass of the cosmic rays. To achieve this, I considered two different approaches and explored the benefit of using neural networks. The first approach is based on the extraction of the muon content in each station of the surface detector and the second approach is based on the measurement of the entire shower footprint. Using Monte Carlo simulation studies, I discarded the first approach in favor of the second, which showed more promising results. From this simulation study, I selected three different neural network models trained to predict the depth of the shower maximum, relative muon content, and logarithmic mass from shower footprints. As a final step, I applied the networks on air showers measured by the Pierre Auger Observatory to estimate the mass composition of ultra-high-energy cosmic rays.