🔬 física

Search for Cosmic Rays in GRANDProto300

Este artículo presenta el flujo de procesamiento de búsqueda de rayos cósmicos y un algoritmo de identificación basado en CNN en desarrollo para el arreglo prototipo GRANDProto300, detallando sus pasos de filtrado, la evaluación de eficiencia sobre los datos de julio a octubre de 2025, y la precisión del modelo para distinguir señales de rayos cósmicos del ruido.

Autores originales: Jolan Lavoisier, Aurélien Benoit-Lévy, Kumiko Kotera, Mauricio Bustamante, Marion Guelfand, Nathan Lebas, Takashi Sako, Xishui Tian, for the GRAND Collaboration

Publicado 2026-10-30

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Jolan Lavoisier, Aurélien Benoit-Lévy, Kumiko Kotera, Mauricio Bustamante, Marion Guelfand, Nathan Lebas, Takashi Sako, Xishui Tian, for the GRAND Collaboration

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Muy por encima de la Tierra, la atmósfera es bombardeada constantemente por partículas invisibles que viajan casi a la velocidad de la luz. Estos son los rayos cósmicos, mensajeros energéticos del espacio profundo que golpean el aire de nuestro planeta, creando lluvias de partículas secundarias que se propagan hacia el suelo. Si bien los científicos han estudiado estas partículas durante mucho tiempo, existe un rango de energía específico donde sus orígenes siguen siendo un misterio. Es el límite donde las partículas nacidas dentro de nuestra propia galaxia, la Vía Láctea, podrían dar paso a aquellas que llegan desde fuentes distantes y poderosas a través del universo. Localizar esta transición es crucial para comprender cómo el cosmos acelera la materia a energías tan extremas, pero detectar estas partículas específicas es difícil porque llegan rara vez y dejan solo rastros fugaces y tenues.

Para resolver este rompecabezas, un equipo de investigadores está construyendo un enorme puesto de escucha en el desierto de Gobi, en China. Este proyecto, conocido como GRAND, utiliza una vasta red de antenas de radio para captar las débiles señales de radio producidas cuando los rayos cósmicos impactan la atmósfera. El artículo describe el progreso de GRANDProto300, una versión prototipo de este experimento diseñada para demostrar que este método de detección por radio funciona. Entre finales de 2024 y mediados de 2025, el equipo operó una versión más pequeña de la red, desplegando finalmente 65 antenas en el desierto, de las cuales 63 estaban operativas y recolectando datos de manera estable. Su objetivo no era solo escuchar, sino enseñar a sus computadoras cómo distinguir la señal genuina de un rayo cósmico del ruido abrumador del entorno, como las ondas de radio de aviones o equipos eléctricos.

Los investigadores enfrentaron un desafío significativo: los datos brutos recolectados por las antenas estaban inundados de falsas alarmas. Para encontrar los verdaderos rayos cósmicos, desarrollaron un proceso de filtrado paso a paso, muy parecido a cribar un gran montón de arena para encontrar unos pocos granos específicos. Primero, eliminaron ráfagas de ruido que aparecían en grupos, las cuales a menudo provenían de aviones comerciales o de un transformador eléctrico cercano. Luego, analizaron la dirección de las ondas de radio. Debido a que los rayos cósmicos interactúan con el campo magnético de la Tierra, producen señales con una orientación específica que difiere del ruido de fondo aleatorio. También filtraron las señales que provenían directamente desde arriba o que eran casi planas a lo largo del horizonte, ya que la geometría de su red de antenas dificultaba la reconstrucción precisa de esos ángulos específicos. Finalmente, verificaron el tiempo de las señales en las diferentes antenas para asegurar que coincidieran con el tiempo de viaje esperado de una onda proveniente de un único punto en el cielo.

Tras aplicar estos estrictos filtros a millones de eventos registrados, el equipo redujo la lista a solo 51 candidatos sólidos que parecían ser rayos cósmicos genuinos. Estos candidatos mostraban los patrones esperados de llegada e intensidad de la señal, lo que sugería que el método de filtrado estaba funcionando. Sin embargo, el equipo sabía que las reglas manuales podrían no captarlo todo, por lo que comenzaron a entrenar un programa informático utilizando un tipo de inteligencia artificial llamada red neuronal. Este programa aprendió a reconocer la forma única de una señal de rayo cósmico estudiando miles de ejemplos tanto de simulaciones por computadora como de datos reales. Al ser probado, esta nueva herramienta demostró ser altamente efectiva para identificar señales simuladas, marcando correctamente casi todas ellas. Su rendimiento con señales de rayos cósmicos reales grabadas fue bueno pero ligeramente inferior, lo que indica que, si bien el método es poderoso, aún hay margen para refinar cómo maneja las complejidades de los datos del mundo real.

El trabajo presentado aquí representa un paso vital en la búsqueda de los orígenes de los rayos cósmicos de alta energía. Al operar con éxito la red prototipo y desarrollar un flujo de trabajo que puede separar los eventos cósmicos verdaderos del ruido, los investigadores han validado la técnica central para el experimento GRAND de mayor escala. La identificación de 51 candidatos y el desarrollo de una herramienta de aprendizaje automático para mejorar la detección futura demuestran que el camino está despejado. El equipo se dirige ahora hacia una red más grande y sensible que será capaz de mapear la transición entre los rayos cósmicos galácticos y extragalácticos, revelando potencialmente los motores ocultos del universo que aceleran estas partículas a velocidades tan increíbles.

Resumen Técnico: Búsqueda de Rayos Cósmicos en GRANDProto300

Planteamiento del Problema
El experimento GRANDProto300 (GP300), un prototipo de la red para el Gran Conjunto de Radio para la Detección de Neutrinos (GRAND), tiene como objetivo validar la técnica de detección de radio autónoma para astropartículas. Específicamente, se dirige a los rayos cósmicos con energías entre $10^{17}$ y $10^{18.5}$ eV para estudiar la región de transición entre fuentes galácticas y extragalácticas. El principal desafío abordado en este trabajo es la identificación de señales genuinas de rayos cósmicos dentro de un conjunto masivo de datos dominado por el ruido. Los datos están sujetos a dos tipos de interferencia: "parásitos" (ruido transitorio que causa disparos falsos, como de aeronaves o transformadores eléctricos) y ruido de fondo estacionario. El objetivo es desarrollar un flujo de trabajo robusto para filtrar estos eventos y distinguir las verdaderas cascadas de aire de rayos cósmicos del ruido con alta pureza.

Metodología
Los autores presentan un enfoque de dos vertientes: un flujo de filtrado determinista y una capa de identificación basada en aprendizaje automático (machine learning).

Flujo de Búsqueda Determinista:
El flujo aplica una serie de cortes conservadores a un conjunto de datos de 5,477,117 eventos de Datos de Coincidencia (CD) registrados entre julio y octubre de 2025. El proceso prioriza la pureza sobre la eficiencia:
- Corte de Clúster (Cluster Cut): Elimina eventos agrupados en tiempo y espacio (distancia angular $\Delta\vartheta < 5^\circ$ , distancia temporal $\Delta t < 5$ s) para eliminar ráfagas de interferencia. Este paso elimina el 88% de los datos.
- Corte de Polarización: Utiliza el vector del campo geomagnético ( $B$ ) y el vector del campo eléctrico ( $e_V$ ). Dado que se espera que las señales de rayos cósmicos sean ortogonales a $B$ ( $e_V \cdot e_B \approx 0$ ), los eventos que fallan este criterio son rechazados, eliminando el 35% de los eventos.
- Corte de Zenit: Elimina eventos con ángulos de zenit reconstruidos $\theta \leq 60^\circ$ (baja eficiencia para la disposición) y $\theta \geq 88^\circ$ (dificultades de reconstrucción), eliminando el 61% del lote.
- Corte de Retraso (Delay Cut): Utiliza la reconstrucción de Ajuste de Onda Esférica (SWF) para comparar los tiempos de llegada medidos contra las expectativas teóricas. Los eventos con una discrepancia de $\chi^2$ elevada (umbral de $10^3$ ) son filtrados, eliminando el 44% de los datos.
- Cortes de Calidad: Se aplica un ajuste final de Distribución Angular (ADF) con un umbral de $\chi^2_{ADF} < 20$ .
- Resultado: Estos cortes filtran colectivamente el 99.63% de los parásitos, dejando aproximadamente 20,000 candidatos para análisis posterior, de los cuales se seleccionaron 51 candidatos de rayos cósmicos.
Capa de Identificación por Aprendizaje Automático:
Para abordar la forma de las trazas registradas (que los cortes deterministas no utilizan completamente), los autores desarrollaron una Red Neuronal Convolucional (CNN) para la clasificación binaria (ruido vs. rayo cósmico).
- Construcción del Conjunto de Datos: Las trazas se extrajeron de los datos de julio de 2025. El conjunto de datos incluye trazas de 384 puntos de parásitos reales, rayos cósmicos simulados (insertados en ruido de fondo) y 567 trazas de rayos cósmicos reales identificadas mediante el flujo de trabajo.
- Arquitectura: El modelo utiliza 13 capas convolucionales con normalización por lotes (batch normalization) y activación ReLU, seguidas de un agrupamiento promedio global (global average pooling) y una capa densa. Se probaron dos variantes: convoluciones 1D y 2D, procesando los canales X (Norte-Sur) y Y (Este-Oeste).
- Entrenamiento: Los modelos fueron entrenados durante 4000 épocas con un tamaño de lote de 128 y una tasa de aprendizaje de 0.01, optimizando para la exhaustividad o recall (Verdaderos Positivos / (Verdaderos Positivos + Falsos Negativos)).

Contribuciones Clave

Validación Operativa: El artículo informa sobre la operación estable de GP300, con 63 antenas recolectando datos hasta julio de 2025, y presenta la primera búsqueda sistemática de rayos cósmicos para este prototipo.
Eficiencia de Filtrado: Los autores demuestran un flujo capaz de reducir un conjunto de más de 5 millones de eventos a un conjunto manejable de candidatos mediante la eliminación del 99.63% de los eventos de ruido a través de cortes físicos y geométricos sistemáticos.
Integración de ML: El artículo introduce un algoritmo basado en CNN diseñado específicamente para discriminar entre señales de ruido y rayos cósmicos utilizando las trazas de la señal, marcando un paso hacia un análisis offline más sofisticado.
Identificación de Candidatos: El flujo de trabajo identificó con éxito 51 candidatos de rayos cósmicos, cuyas direcciones de llegada y dominancia de señal se alinean con las expectativas teóricas respecto al campo geomagnético.

Resultados

Rendimiento del Flujo de Trabajo: Los cortes deterministas redujeron los 5.47 millones de eventos iniciales a 51 candidatos. Las direcciones de llegada de estos candidatos (visualizadas en la Figura 1) muestran la dominancia esperada de la señal Este-Oeste.
Rendimiento del Aprendizaje Automático:
- Trazas Simuladas: Los modelos alcanzaron altas tasas de exhaustividad (recall) de 95.71% (modelo 1D) y 97.85% (modelo 2D).
- Trazas de Rayos Cósmicos Reales: La exhaustividad fue menor pero significativa, con un 62.08% (1D) y 71.15% (2D).
- Rechazo de Parásitos: Los modelos distinguieron eficazmente los parásitos, mostrando el modelo 2D una exhaustividad del 71.15% para rayos cósmicos reales mientras mantenía una baja tasa de falsos positivos en el conjunto de prueba de parásitos.

Significancia y Reivindicaciones
El artículo afirma que el flujo de trabajo desarrollado valida con éxito la técnica de detección de radio autónoma para rayos cósmicos en el rango de $10^{17} - 10^{18.5}$ eV. Al combinar cortes físicos sistemáticos con una capa de aprendizaje automático en desarrollo, los autores demuestran la viabilidad de aislar señales de rayos cósmicos de un entorno de alto ruido. La identificación de 51 candidatos sirve como prueba de concepto para las futuras operaciones a gran escala del experimento GRAND. Los autores señalan modestamente que, si bien se aplicaron criterios de selección visual de forma temporal, el desarrollo sistemático de cortes de forma de traza (vía la CNN) es un esfuerzo continuo para mejorar la identificación sin depender de la inspección manual. El trabajo establece las bases para el estudio de la región de transición Galáctica-Extragaláctica utilizando la red GRAND.

Más como este