Aprendizaje automático en el Observatorio AugerPrime

Título:

Aprendizaje automático en el Observatorio AugerPrime

Autor:

Sotomayor Checa, Pablo Omar

Otros autores / Colaboradores:

 Ronchetti, Franco; [ Director/a]  González, Nicolás; [ Asesor/a científico/a] 

Temas:

APRENDIZAJE AUTOMÁTICO; 

URL:

http://sedici.unlp.edu.ar/handle/10915/180532,

Palabras clave:

observatorio Pierre Auger, 

Nota de tesis:

Trabajo Final Integrador (Especialización en Inteligencia de Datos Orientada a Big Data) - Universidad Nacional de La Plata. Facultad de Informática, 2024.

Extensión:

1 archivo (4,65 MB) : il. col.

Resumen:

La composición de masa de los rayos cósmicos está profundamente relacionada con varios problemas abiertos en la Física de Astropartículas. En este contexto, los detectores del Observatorio Pierre Auger están siendo mejorados, en una actualización denominada AugerPrime, para aumentar la sensibilidad a las partículas que componen las lluvias de partículas iniciadas por los rayos cósmicos al ingresar en la atmósfera. Se sabe que la componente muónica de las lluvias de partículas está directamente relacionada con la naturaleza del rayo cósmico primario. El problema de inferir el número de muones que se inyectan en los detectores durante una lluvia plantea varios desafíos, como la variabilidad en la respuesta de los centelleadores, la presencia de ruido en las mediciones y la necesidad de modelar las interacciones de las partículas en el detector. La hipótesis principal de este trabajo es que los modelos estadísticos lineales pueden capturar de manera adecuada los patrones en las detecciones de lluvias atmosféricas extendidas, lo que permite estimar la cantidad total de muones inyectados. En los casos en que esto no sea factible, lo cual debería ser una minoría considerable, la limitación en la aplicación de un modelo estadístico lineal debe anticiparse únicamente a partir de las características generales de la detección (cantidad de estaciones, módulos y barras centelleadoras con reportes de trazas). En tales situaciones, los modelos de aprendizaje automático no lineales proporcionan un estimador más adecuado.

Puede solicitar más fácilmente el ejemplar con: TES 24/58

1. Introducción 

2. Planteamiento del problema  
2.1. Contexto 
2.2. Objetivo y metodología 

3. Fuentes de datos 13 
3.1. Lluvias atmosféricas 
3.2. Respuesta de detectores 
3.3. Descripción del conjunto de datos 

4. Análisis exploratorio de datos 
4.1. Análisis a nivel lluvia 
4.2. Análisis a nivel estación 
4.3. Análisis a nivel traza 

5. Modelo estadístico base 
5.1. Descripción de las covariables 
5.1.1. Variables nativas 
5.1.2. Variables derivadas 
5.2. Preparación de datos 
5.3. Modelo base 
5.3.1. Ajuste del modelo 
5.3.2. Evaluación del modelo 

6. Agrupamiento automático de lluvias 
6.1. Escaleado de variables 
6.2. Reducción de dimensionalidad 
6.3. Modelo de agrupamiento 

7. Aprendizaje automático sobre lluvias agrupadas 
7.1. Entrenamiento sobre lluvias normales 
7.2. Entrenamiento sobre lluvias anómalas 

8. Conclusiones