Deep-learning based reconstruction of the shower maximum Xmax using the water-Cherenkov detectors of the Pierre Auger Observatory
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68378271%3A_____%2F21%3A00550827" target="_blank" >RIV/68378271:_____/21:00550827 - isvavai.cz</a>
Nalezeny alternativní kódy
RIV/00216208:11320/21:10439714 RIV/61989592:15310/21:73608967
Výsledek na webu
<a href="http://hdl.handle.net/11104/0326140" target="_blank" >http://hdl.handle.net/11104/0326140</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1088/1748-0221/16/07/P07019" target="_blank" >10.1088/1748-0221/16/07/P07019</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Deep-learning based reconstruction of the shower maximum Xmax using the water-Cherenkov detectors of the Pierre Auger Observatory
Popis výsledku v původním jazyce
The atmospheric depth of the air shower maximum X-max is an observable commonly used for the determination of the nuclear mass composition of ultra-high energy cosmic rays. Direct measurements of X-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-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-max The reconstruction relies on the signals induced by shower particles in the ground based water-Cherenkov detectors of the Pierre Auger Observatory.
Název v anglickém jazyce
Deep-learning based reconstruction of the shower maximum Xmax using the water-Cherenkov detectors of the Pierre Auger Observatory
Popis výsledku anglicky
The atmospheric depth of the air shower maximum X-max is an observable commonly used for the determination of the nuclear mass composition of ultra-high energy cosmic rays. Direct measurements of X-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-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-max The reconstruction relies on the signals induced by shower particles in the ground based water-Cherenkov detectors of the Pierre Auger Observatory.
Klasifikace
Druh
J<sub>imp</sub> - Článek v periodiku v databázi Web of Science
CEP obor
—
OECD FORD obor
10303 - Particles and field physics
Návaznosti výsledku
Projekt
Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)
Ostatní
Rok uplatnění
2021
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název periodika
Journal of Instrumentation
ISSN
1748-0221
e-ISSN
1748-0221
Svazek periodika
16
Číslo periodika v rámci svazku
7
Stát vydavatele periodika
GB - Spojené království Velké Británie a Severního Irska
Počet stran výsledku
28
Strana od-do
P07019
Kód UT WoS článku
000702560000003
EID výsledku v databázi Scopus
2-s2.0-85111106773