Deep-learning based reconstruction of the shower maximum Xmax using the water-Cherenkov detectors of the Pierre Auger Observatory
Journal
Date Issued
2021
Author(s)
Aab, A.
•
Abreu, P.
•
•
Albury, J. M.
•
Allekotte, I.
•
Almela, A.
•
Alvarez-Muñiz, J.
•
Alves Batista, R.
•
Anastasi, G. A.
•
Anchordoqui, L.
•
Andrada, B.
•
Andringa, S.
•
Aramo, C.
•
Araújo Ferreira, P. R.
•
Arteaga Velázquez, J. C.
•
Asorey, H.
•
Assis, P.
•
Avila, G.
•
Badescu, A. M.
•
Bakalova, A.
•
Balaceanu, A.
•
Barbato, F.
•
Barreira Luz, R. J.
•
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.
•
Bonneau Arbeletche, L.
•
Borodai, N.
•
Botti, A. M.
•
Brack, J.
•
Bretz, T.
•
Brichetto Orchera, P. G.
•
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.
•
•
Catalani, F.
•
Cataldi, G.
•
Cazon, L.
•
Cerda, M.
•
Chinellato, J. A.
•
Choi, K.
•
Chudoba, J.
•
Chytka, L.
•
Clay, R. W.
•
Cobos Cerutti, A. C.
•
Colalillo, R.
•
Coleman, A.
•
Coluccia, M. R.
•
Conceição, R.
•
Condorelli, A.
•
Consolati, G.
•
Contreras, F.
•
Convenga, F.
•
Correia dos Santos, D.
•
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.
•
de Mello Neto, J. R. T.
•
De Mitri, I.
•
de Oliveira, J.
•
de Oliveira Franco, D.
•
de Palma, F.
•
de Souza, V.
•
De Vito, E.
•
del Río, M.
•
Deligny, O.
•
Di Matteo, A.
•
Dobrigkeit, C.
•
D'Olivo, J. C.
•
dos Anjos, R. C.
•
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.
•
Garcia Vegas, A. L.
•
Gemmeke, H.
•
Gesualdi, F.
•
Gherghel-Lascu, A.
•
Ghia, P. L.
•
Giaccari, U.
•
Giammarchi, M.
•
Giller, M.
•
Glombitza, J.
•
Gobbi, F.
•
Gollan, F.
•
Golup, G.
•
Gómez Berisso, M.
•
Gómez Vitale, P. F.
•
Gongora, J. P.
•
González, J. M.
•
González, N.
•
Goos, I.
•
Góra, D.
•
•
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.
•
Leigui de Oliveira, M. A.
•
Lenok, V.
•
Letessier-Selvon, A.
•
Lhenry-Yvon, I.
•
Lo Presti, D.
•
Lopes, L.
•
López, R.
•
Lu, L.
•
Luce, Q.
•
Lucero, A.
•
Lundquist, J. P.
•
Machado Payeras, A.
•
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.
•
Martínez Bravo, O.
•
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.
•
Pȩkala, J.
•
Pelayo, R.
•
Peña-Rodriguez, J.
•
Pereira Martins, E. E.
•
Perez Armand, J.
•
Pérez Bertolli, C.
•
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.
•
Rodrigues de Carvalho, W.
•
Rodriguez Rojo, J.
•
Roncoroni, M. J.
•
Roth, M.
•
Roulet, E.
•
Rovero, A. C.
•
Ruehl, P.
•
Saffi, S. J.
•
Saftoiu, A.
•
Salamida, F.
•
Salazar, H.
•
Salina, G.
•
Sanabria Gomez, J. D.
•
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.
•
•
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.
•
Todero Peixoto, C. J.
•
Tomé, B.
•
Travaini, A.
•
Travnicek, P.
•
Trimarelli, C.
•
Trini, M.
•
Tueros, M.
•
Ulrich, R.
•
Unger, M.
•
Vaclavek, L.
•
Vacula, M.
•
Valdés Galicia, J. F.
•
Valore, L.
•
Varela, E.
•
Varma K. C., V.
•
Vásquez-Ramírez, A.
•
Veberič, D.
•
Ventura, C.
•
Vergara Quispe, I. D.
•
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.
•
The Pierre Auger collaboration
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.
Volume
16
Issue
7
Start page
P07019
Issn Identifier
1748-0221
Ads BibCode
2021JInst..16P7019A
Rights
open.access
File(s)![Thumbnail Image]()
Loading...
Name
Aab_2021_J._Inst._16_P07019.pdf
Description
PDF editoriale
Size
1.4 MB
Format
Adobe PDF
Checksum (MD5)
fbe6c1c662fb9ee77b4cb50efdcbee53