Por favor, use este identificador para citar o enlazar este ítem:
http://inaoe.repositorioinstitucional.mx/jspui/handle/1009/2665| Clasificación de Cascadas Extensas de Aire de Altas Energías Mediante Redes Neuronales Convolucionales | |
| Xochitl Verónica Silvestre Gutiérrez | |
| Raquel Diaz Hernandez | |
| Acceso Abierto | |
| Atribución-NoComercial-SinDerivadas | |
| Convolutional networks High energies Shower classification | |
| This work presents a methodology for classifying extensive air showers generated by cosmic rays. The proposed approach focuses on using deep convolutional neural networks to extract essential information about primary and secondary particles, thereby improving the accuracy of particle identification. The research is situated within the context of studying cosmic rays and high-energy cascades, a field that offers a unique perspective for exploring extreme physical phenomena in the universe. However, one of the primary challenges lies in the accurate interpretation of the obtained data, which is hindered by background noise, such as that caused by hadrons. To address this challenge, synthetic data generated through simulations in CORSIKA 7.7550 is utilized, enabling the recreation of high-energy cosmic ray cascades and the generation of images in XZ, YZ, and XY views. These images form a robust database for developing and training the proposed classification methodology. The neural network-based approach aims to optimize the separation between gamma rays and hadrons within the cascades, therefore facilitating the identification of primary particles. This advancement significantly impacts high-energy astrophysics, opening new opportunities for the rapid classification of such phenomena. Experiments were conducted with three neural network architectures (ResNet-50, Compact, and AlexNet), evaluating their performance in classifying primary particles (iron, proton, positive muon, and gamma) under different energy levels and zenith angles. The images were analyzed in both color and grayscale, with individual and general views in the XZ, YZ, and XY planes. AlexNet demonstrated the best accuracy and inference speed, achieving 100% accuracy in some color configurations while maintaining an optimal balance between precision and processing time, with faster inference times than ResNet-50. Although ResNet-50 achieved comparable accuracy in some views, its inference times were significantly longer, making it less suitable for applications requiring time efficiency. Compact exhibited good inference times and competitive accuracy, though slightly lower in metrics such as precision and F1-Score, particularly in grayscale configurations. Este trabajo presenta una metodología para la clasificación de cascadas extensas de aire generadas por rayos cósmicos. La propuesta se centra en el uso de redes neuronales convolucionales profundas como herramientas para extraer información esencial sobre partículas primarias y secundarias, mejorando la precisión en la identificación de estas partículas. La investigación se enmarca en el contexto del estudio de rayos cósmicos y cascadas de altas energías, un campo que ofrece una perspectiva única para explorar fenómenos físicos extremos en el universo. No obstante, uno de los principales retos es la correcta interpretación de los datos obtenidos, que se ve dificultada por el ruido de fondo, como el causado por los hadrones. Para abordar este desafío, se emplean datos sintéticos generados mediante la simulación en CORSIKA 7.7550, que permiten recrear cascadas de rayos cósmicos de altas energías y obtener imágenes en vistas XZ, YZ y XY. Estas imágenes constituyen una base de datos robusta para el desarrollo y entrenamiento de la metodología de clasificación propuesta. El enfoque basado en redes neuronales busca optimizar la separación entre rayos gamma y hadrones dentro de las cascadas, lo cual facilitaría una identificación de las partículas primarias. Este avance tiene un impacto significativo en el ámbito de la astrofísica de altas energías, abriendo nuevas oportunidades para la rápida clasificación de estos fenómenos. Se realizaron pruebas con tres arquitecturas de red (ResNet-50, Compact y AlexNet), evaluando su rendimiento en la clasificación de partículas primarias (hierro, protón, muón positivo y gamma) bajo diferentes energías y ángulos cenitales. Las imágenes se analizaron en color y en escala de grises, con vistas individuales y generales en los planos XZ, YZ y XY. AlexNet demostró el mejor desempeño en cuanto a precisión y velocidad de inferencia, alcanzando el 100% de precisión en algunas configuraciones a color y manteniendo un balance óptimo entre precisión y tiempo de procesamiento, con inferencias más rápidas que ResNet-50. Aunque ResNet-50 alcanzó una precisión cercana en algunas vistas, sus tiempos de inferencia fueron considerablemente mayores, lo cual la hace menos adecuada para aplicaciones donde se requiere reducción de tiempo. Compact mostró buenos tiempos de inferencia y una precisión competitiva, aunque ligeramente inferior en métricas como precisión y F1-Score, especialmente en configuraciones en escala de grises. | |
| Instituto Nacional de Astrofísica, Óptica y Electrónica | |
| 2024-12 | |
| Tesis de maestría | |
| Español | |
| Estudiantes Investigadores Público en general | |
| Silvestre Gutiérrez, X. V., (2024), Clasificación de Cascadas Extensas de Aire de Altas Energías Mediante Redes Neuronales Convolucionales, Tesis de Maestría, Instituto Nacional de Astrofísica, Óptica y Electrónica | |
| CIENCIAS DEL ESPACIO | |
| Versión aceptada | |
| acceptedVersion - Versión aceptada | |
| Aparece en las colecciones: | Maestría en Ciencia y Tecnología del Espacio |
Cargar archivos:
| Fichero | Tamaño | Formato | |
|---|---|---|---|
| SILVESTREGXV_MCTE.pdf | 1.51 MB | Adobe PDF | Visualizar/Abrir |