Studying the arrival directions of ultra-high energy cosmic rays with deep neural networks

Abstract

Opprinnelsen til ultra-høye energi kosmiske stråler (UHECRs) er et over 100 år gammelt mysterium, og jakten på deres kilder er en av de største pågående utfordringene innen astropartikkelfysikk. Siden UHECRs er ladde partikler, blir de avbøyd av ekstragalaktiske og Galaktiske magnetiske felt under sin ferd gjennom Universet. Dette fører til at deres ankomstretninger ikke samsvarer med deres opprinnelsesretninger. Dersom imidlertid en betydelig andel av UHECRs stammer fra en felles kilde, forventes det magnetisk-induserte mønstre i deres ankomstretninger. Disse mønstrene kan lede til oppdagelsen av deres kilder.

Dette arbeidet presenterer en metode for hvordan dype nevrale nettverk kan brukes til å søke etter slike mønstre i en helhimmels analyse ved å bruke en simulert fluks av de mest energirike UHECRs. Det vises at ved å bruke variasjoner av den galaktiske magnetfeltmodellen for å generere de simulerte dataene, kan det nevrale nettverket trenes til å forutsi kildehendelser som er utsatt for en annen, tildels ukjent avbøyning. Analysen blir brukt på ulike scenarier for massesammensetning, hvor den viser utmerket ytelse for en liten andel protonkildehendelser som er innkapslet i en stor isotropisk bakgrunn. Selv om det nevrale nettverket presterer dårligere for tyngre atomkjerner, beholder det en betydelig evne til å oppdage en høyere multiplisitet av kildehendelser. Når det blir brukt på data tatt av Pierre Auger Observatory, identifiseres to potensielle interesseområder som viser en betydelig høyere sannsynlighet for å stamme fra en kraftig astrofysisk kilde.

The origin of ultra-high energy cosmic rays (UHECRs) has remained a mystery for over 100 years and the search for their sources is one of the biggest ongoing challenges in astroparticle physics. As UHECRs are charged particles they are deflected by extragalactic and Galactic magnetic fields during propagation in the Universe, resulting in their arrival directions not aligning with their source directions. If however, a significant enough fraction of UHECRs originate from a common source, magnetically-induced patterns in their arrival directions are expected. These might lead us to the discovery of their sources.

This work presents a method on how deep neural networks can be used to search for such patterns in an all-sky analysis by using a simulated flux of the most energetic UHECRs. It is shown that by using variations of the Galactic magnetic field model for the creation of the simulated data, the neural network can be trained to predict source events exposed to a different inherently unknown deflection. The analysis is applied to different mass composition scenarios where it shows excellent performance for a small fraction of proton source events embedded in a large isotropic background. Despite the neural network performing worse on heavier nuclei, it retains a substantial detection ability for a higher multiplicity of source events. When applied to data taken by the Pierre Auger Observatory, two potential regions of interest are identified, showing a noticeably higher probability of arising in a powerful astrophysical source.