🔬 natuurkunde

Search for Cosmic Rays in GRANDProto300

Dit artikel presenteert de kosmische-stralingzoekpijplijn en een in ontwikkeling zijnd op CNN gebaseerd identificatiealgoritme voor de GRANDProto300 prototype-array, waarbij hun filterstappen, efficiëntie-evaluatie op data van juli tot oktober 2025 en de nauwkeurigheid van het model bij het onderscheiden van kosmische-stralingsignalen van ruis worden toegelicht.

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

Gepubliceerd 2026-10-30

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

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

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Hoog boven de aarde wordt de atmosfeer voortdurend gebombardeerd door onzichtbare deeltjes die met bijna de snelheid van het licht reizen. Dit zijn kosmische stralen, energetische boodschappers uit de diepe ruimte die onze planeet en haar lucht raken, waardoor er een regen van secundaire deeltjes ontstaat die naar de grond rimpelt. Hoewel wetenschappers deze deeltjes al lang bestuderen, is er een specifieke energiebereik waar hun oorsprong een mysterie blijft. Het is de grens waar deeltjes die binnen ons eigen Melkwegstelsel zijn geboren, plaats kunnen maken voor degenen die afkomstig zijn van verre, krachtige bronnen in het universum. Het aanwijzen van deze overgang is cruciaal voor het begrijpen van hoe het heelal materie naar zulke extreme energieën versnelt, maar het detecteren van deze specifieke deeltjes is moeilijk omdat ze zelden aankomen en slechts vluchtige, zwakke sporen achterlaten.

Om dit puzzelstukje op te lossen, bouwt een team van onderzoekers een enorme luisterpost in de Gobi-woestijn in China. Dit project, bekend als GRAND, maakt gebruik van een enorm netwerk van radioantennes om de zwakke radiosignalen op te vangen die ontstaan wanneer kosmische stralen de atmosfeer raken. Het artikel beschrijft de voortgang van GRANDProto300, een prototype versie van dit experiment, ontworpen om te bewijzen dat deze radio-detectiemethode werkt. Tussen eind 2024 en medio 2025 bedreef het team een kleinere versie van de array, waarbij uiteindelijk 65 antennes over de woestijn werden geplaatst, waarvan er 63 operationeel waren en stabiel gegevens verzamelden. Hun doel was niet alleen om te luisteren, maar ook om hun computers te leren hoe ze het echte signaal van een kosmische straal kunnen onderscheiden van de overweldigende ruis van de omgeving, zoals radiogolven van vliegtuigen of elektrische apparatuur.

De onderzoekers stuitten op een aanzienlijke uitdaging: de ruwe gegevens die door de antennes werden verzameld, waren overspoeld met valse alarmen. Om de echte kosmische stralen te vinden, ontwikkelden ze een stapsgewijs filterproces, vergelijkbaar met het zeven van een grote hoop zand om een paar specifieke korrels te vinden. Eerst verwijderden ze ruispieken die in clusters voorkwamen, die vaak afkomstig waren van commerciële vliegtuigen of een nabijgelegen transformator. Vervolgens keken ze naar de richting van de radiogolven. Omdat kosmische stralen interageren met het magnetisch veld van de aarde, produceren ze een signaal met een specifieke oriëntatie die verschilt van willekeurige achtergrondruis. Ze filterden ook signalen weg die recht boven hen of bijna vlak langs de horizon kwamen, omdat de geometrie van hun antenne-array het moeilijk maakte om die specifieke hoeken nauwkeurig te reconstrueren. Ten slotte controleerden ze de timing van de signalen over verschillende antennes om er zeker van te zijn dat deze overeenkwamen met de verwachte reistijd van een golf die van één enkel punt aan de hemel komt.

Na het toepassen van deze strikte filters op miljoenen geregistreerde gebeurtenissen, bracht het team de lijst terug tot slechts 51 sterke kandidaten die leken op echte kosmische stralen. Deze kandidaten vertoonden de verwachte patronen van aankomst en signaalsterkte, wat suggereert dat de filtermethode werkte. De onderzoekers wisten echter dat handmatige regels misschien niet alles zouden vangen, dus begonnen ze een computerprogramma te trainen met behulp van een type kunstmatige intelligentie genaamd een neuraal netwerk. Dit programma leerde de unieke vorm van een signaal van een kosmische straal te herkennen door duizenden voorbeelden van zowel computersimulaties als echte gegevens te bestuderen. Bij tests bleek dit nieuwe hulpmiddel zeer effectief bij het identificeren van gesimuleerde signalen, waarbij het bijna alle signalen correct markeerde. De prestaties op echte, opgenomen signalen van kosmische stralen waren goed, maar iets lager, wat aangeeft dat hoewel de methode krachtig is, er nog steeds ruimte is om de omgang met de complexiteit van echte wereldgegevens te verfijnen.

Het werk dat hier gepresenteerd wordt, vormt een vitale stap voorwaarts in de zoektocht naar de oorsprong van hoogenergetische kosmische stralen. Door het succesvol laten functioneren van de prototype-array en het ontwikkelen van een proces dat een echt kosmisch evenement van ruis kan scheiden, hebben de onderzoekers de kerntechniek voor het grotere GRAND-experiment gevalideerd. De identificatie van 51 kandidaten en de ontwikkeling van een machine learning-tool om toekomstige detectie te verbeteren, laten zien dat de weg vrij is. Het team beweegt zich nu naar een grotere, gevoeliger array die in staat zal zijn om de overgang tussen galactische en extragalactische kosmische stralen in kaart te brengen, wat potentieel de verborgen motoren van het universum onthult die deze deeltjes met zulke ongelooflijke snelheden versnellen.

Technische Samenvatting: Kosmische Stralingszoektocht in GRANDProto300

Probleemstelling
Het GRANDProto300 (GP300) experiment, een prototype-array van de Giant Radio Array for Neutrino Detection (GRAND), beoogt de autonome radio-detectietechniek voor astropartikels te valideren. Specifiek richt het zich op kosmische straling met energieën tussen $10^{17}$ en $10^{18.5}$ eV om de transitiezone tussen Galactische en extragalactische bronnen te bestuderen. De primaire uitdaging die in dit werk wordt aangepakt, is de identificatie van echte kosmische-stralingssignalen binnen een massale dataset die gedomineerd wordt door ruis. De data is onderhevig aan twee soorten interferentie: "parasieten" (transiënte ruis die valse triggers veroorzaakt, zoals van vliegtuigen of transformatoren) en stationaire achtergrondruis. Het doel is om een robuuste pijplijn te ontwikkelen om deze gebeurtenissen te filteren en echte kosmische-stralingsluchtstromen (air showers) met een hoge zuiverheid te onderscheiden van ruis.

Methodologie
De auteurs presenteren een tweeledige aanpak: een deterministische filterpijplijn en een op machine learning gebaseerde identificatielaag.

Deterministische Zoekpijplijn:
De pijplijn past een reeks conservatieve snedes (cuts) toe op een dataset van 5.477.117 Coincidence Data (CD) gebeurtenissen die werden opgenomen tussen juli en oktober 2025. Het proces geeft prioriteit aan zuiverheid boven efficiëntie:

Cluster Cut: Verwijdert gebeurtenissen die geclusterd zijn in tijd en ruimte (hoekafstand $\Delta\vartheta < 5^\circ$ , tijdsafstand $\Delta t < 5$ s) om interferentiebursts te elimineren. Deze stap verwijdert 88% van de data.
Polarisatie Cut: Maakt gebruik van de geomagnetische veldvector ( $B$ ) en de elektrische veldvector ( $e_V$ ). Omdat kosmische-stralingssignalen naar verwachting orthogonaal staan op $B$ ( $e_V \cdot e_B \approx 0$ ), worden gebeurtenissen die niet aan dit criterium voldoen afgewezen, wat 35% van de gebeurtenissen verwijdert.
Zenith Cut: Verwijdert gebeurtenissen met gereconstrueerde zenithhoeken $\theta \leq 60^\circ$ (lage efficiëntie voor de lay-out) en $\theta \geq 88^\circ$ (reconstructieproblemen), wat 61% van de batch elimineert.
Delay Cut: Gebruikt Spherical Wave Fit (SWF) reconstructie om gemeten aankomsttijden te vergelijken met theoretische verwachtingen. Gebeurtenissen met een hoge $\chi^2$ -afwijking (drempelwaarde $10^3$ ) worden gefilterd, wat 44% van de data verwijdert.
Quality Cuts: Een uiteindelijke Angular Distribution Fit (ADF) met een $\chi^2_{ADF} < 20$ drempelwaarde wordt toegepast.
Resultaat: Deze snedes filteren gezamenlijk 99,63% van de parasieten weg, waardoor ongeveer 20.000 kandidaten overblijven voor verdere analyse, waaruit 51 kosmische-stralingskandidaten werden geselecteerd.

Machine Learning Identificatielaag:
Om de vorm van de opgenomen sporen (traces) aan te pakken (waar de deterministische snedes geen volledig gebruik van maken), hebben de auteurs een Convolutional Neural Network (CNN) ontwikkeld voor binaire classificatie (ruis versus kosmische straling).

Dataset Constructie: Sporen werden geëxtraheerd uit de data van juli 2025. De dataset bevat 384-punts sporen van echte parasieten, gesimuleerde kosmische straling (ingevoegd in achtergrondruis), en 567 echte kosmische-stralingssporen die via de pijplijn zijn geïdentificeerd.
Architectuur: Het model maakt gebruik van 13 convolutionele lagen met batch normalisatie en ReLU-activatie, gevolgd door global average pooling en een dense laag. Twee varianten werden getest: 1D en 2D convoluties, waarbij de X (Noord-Zuid) en Y (Oost-West) kanalen worden verwerkt.
Training: Modellen werden getraind voor 4000 epochs met een batchgrootte van 128 en een leersnelheid van 0.01, waarbij wordt geoptimaliseerd voor recall (True Positives / (True Positives + False Negatives)).

Belangrijkste Bijdragen

Operationele Validatie: Het artikel rapporteert over de stabiele werking van GP300, met 63 antennes die data verzamelen per juli 2025, en presenteert de eerste systematische zoekpijplijn voor kosmische straling voor deze prototype.
Filterefficiëntie: De auteurs demonstreren een pijplijn die in staat is om een dataset van meer dan 5 miljoen gebeurtenissen te reduceren tot een beheersbare set kandidaten door 99,63% van de ruisgebeurtenissen te verwijderen via systematische fysieke en geometrische snedes.
ML Integratie: Het artikel introduceert een op CNN gebaseerd algoritme dat specifiek is ontworpen om tussen ruis en kosmische-stralingssignalen te differentiëren met behulp van signaalsporen, wat een stap is naar meer geavanceerde offline analyse.
Identificatie van Kandidaten: De pijplijn heeft succesvol 51 kosmische-stralingskandidaten geïdentificeerd, wier aankomstrichtingen en signaaldominantie overeenkomen met de theoretische verwachtingen met betrekking tot het geomagnetisch veld.

Resultaten

Prestaties van de Pijplijn: De deterministische snedes reduceerden de initiële 5,47 miljoen gebeurtenissen tot 51 kandidaten. De aankomstrichtingen van deze kandidaten (gevisualiseerd in Figuur 1) vertonen de verwachte Oost-West signaaldominantie.
Prestaties van Machine Learning:
- Gesimuleerde Sporen: De modellen bereikten hoge recall-percentages van 95,71% (1D model) en 97,85% (2D model).
- Echte Kosmische-Stralingssporen: De recall was lager maar significant, namelijk 62,08% (1D) en 71,15% (2D).
- Parasiet Rejection: De modellen onderscheidden parasieten effectief, waarbij het 2D-model een recall van 71,15% vertoonde voor echte kosmische straling, terwijl het een laag aantal fout-positieven behield op de testset van parasieten.

Betekenis en Claims
Het artikel beweert dat de ontwikkelde pijplijn succesvol de techniek van autonome radio-detectie voor kosmische straling in het bereik van $10^{17} - 10^{18.5}$ eV valideert. Door systematische fysieke snedes te combineren met een in ontwikkeling zijnde machine learning-laag, demonstreren de auteurs de haalbaarheid van het isoleren van kosmische-stralingssignalen uit een omgeving met veel ruis. De identificatie van 51 kandidaten dient als bewijs van het concept (proof-of-concept) voor de toekomstige grootschalige operaties van het GRAND-experiment. De auteurs merken bescheiden op dat hoewel er tijdelijk visuele selectiecriteria werden toegepast, de systematische ontwikkeling van trace-vorm snedes (via de CNN) een voortdurende inspanning is om identificatie te verbeteren zonder afhankelijk te zijn van handmatige inspectie. Het werk legt een fundament voor de studie van de Galactische-naar-extragalactische transitiezone met behulp van de GRAND-array.

Meer zoals dit