Identificación de partículas captadas por un detector de radiación Cherenkov por medio de una red neuronal

Abstract

Desde el espacio se nos está bombardeando constantemente con partículas subatómicas que tienen su origen en fenómenos físicos extremadamente interesantes y misteriosos. Estas partículas son llamadas rayos cósmicos. Cuando estos rayos interactúan con nuestra atmósfera producen una cascada de partículas secundarias que son detectables y que traen información muy útil de los fenómenos que las produjeron. Como estas partículas son muy diversas es extremadamente importante tener la capacidad para clasificarlas para su estudio. En este artículo presentaremos una herramienta de clasificación de partículas captadas por un detector de radiación Cherenkov de agua. La tecnología que se usó es Machine Learning, o más concretamente, una red neuronal. Estas estrategias de Inteligencia Artificial están ganando mucha popularidad en el gremio científico y por eso consideramos de vital importancia para el científico guatemalteco adquirir estas destrezas que son de gran ayuda en el mundo moderno. Como estos algoritmos requieren entrenamiento, se utilizaron datos provenientes de simulaciones de estas cascadas de partículas generadas por las aplicaciones CORSIKA y Geont4 (utilizadas en laboratorios de renombre como CERN y Fermi/ob). Además de los datos de la simulación también se utilizaron datos de detección del tanque Cherenkov de agua que está instalado en el campus central de la Universidad del Valle de Guatemala. Una porción de estos datos se usó como datos de entrenamiento de la red neuronal y otra porción se utilizó para validar los resultados. Las partículas elegidas para este estudio fueron los 7 más comunes en la latitud, longitud y altitud sobre el nivel del mar de Ciudad de Guatemala, las cuales son: muón, electrón, positrón, anti muón, protón, pión y anti-pión. Lo precisión de la red neuronal en la clasificación de muones fue de 0.905 comparado contra los 0.813 del algoritmo Random Forest, y el valor del Recall para muones para nuestra red fue de 0.729 comparado con el 0.537 para Rondom Forest. Los resultados muestran que la red neuronal utilizada en este estudio es significativamente mejor clasificando la mayoría de las partículas del experimento si se le compara contra los algoritmos Noive Boyes, Random Forest y Regresión Logarítmico.