🔬 física

Search for Cosmic Rays in GRANDProto300

Este artigo apresenta o pipeline de busca de raios cósmicos e um algoritmo de identificação baseado em CNN em desenvolvimento para o arranjo protótipo GRANDProto300, detalhando suas etapas de filtragem, avaliação de eficiência em dados de julho a outubro de 2025 e a precisão do modelo na distinção de sinais de raios cósmicos de ruídos.

Autores originais: 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 leitura☕ Leitura rápida

CC BY 4.0

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

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Muito acima da Terra, a atmosfera é constantemente bombardeada por partículas invisíveis viajando a quase a velocidade da luz. Estes são os raios cósmicos, mensageiros energéticos vindos do espaço profundo que atingem o ar do nosso planeta, criando chuvas de partículas secundárias que ondulam até o solo. Embora os cientistas estudem essas partículas há muito tempo, existe uma faixa de energia específica onde suas origens permanecem um mistério. É a fronteira onde partículas nascidas dentro da nossa própria galáxia, a Via Láctea, podem dar lugar àquelas que chegam de fontes distantes e poderosas através do universo. Identificar essa transição é crucial para entender como o cosmos acelera a matéria a energias tão extremas, mas detectar essas partículas específicas é difícil porque elas chegam raramente e deixam apenas vestígios fugazes e tênues.

Para resolver este quebra-cabeça, uma equipe de pesquisadores está construindo um enorme posto de escuta no Deserto de Gobi, na China. Este projeto, conhecido como GRAND, utiliza uma vasta rede de antenas de rádio para captar os sinais de rádio tênues produzidos quando os raios cósmicos atingem a atmosfera. O artigo descreve o progresso do GRANDProto300, uma versão protótipo deste experimento projetada para provar que este método de detecção por rádio funciona. Entre o final de 2024 e meados de 2025, a equipe operou uma versão menor da rede, eventualmente implantando 65 antenas pelo deserto, com 63 delas operacionais e coletando dados de forma estável. O objetivo deles não era apenas ouvir, mas ensinar seus computadores a distinguir o sinal genuíno de um raio cósmico do ruído avassalador do ambiente, como ondas de rádio de aeronaves ou equipamentos elétricos.

Os pesquisadores enfrentaram um desafio significativo: os dados brutos coletados pelas antenas estavam inundados de alarmes falsos. Para encontrar os raios cósmicos reais, eles desenvolveram um processo de filtragem passo a passo, muito parecido com peneirar uma grande pilha de areia para encontrar alguns grãos específicos. Primeiro, removeram surtos de ruído que apareciam em grupos, que frequentemente vinham de aviões comerciais ou de um transformador elétrico próximo. Em seguida, observaram a direção das ondas de rádio. Como os raios cósmicos interagem com o campo magnético da Terra, eles produzem sinais com uma orientação específica que difere do ruído de fundo aleatório. Eles também filtraram sinais vindos diretamente de cima ou quase planos ao longo do horizonte, pois a geometria de sua rede de antenas tornava difícil reconstruir com precisão esses ângulos específicos. Por fim, verificaram o tempo dos sinais em diferentes antenas para garantir que coincidissem com o tempo de viagem esperado de uma onda vinda de um único ponto no céu.

Após aplicar esses filtros rigorosos a milhões de eventos registrados, a equipe reduziu a lista para apenas 51 candidatos fortes que pareciam ser raios cósmicos genuínos. Esses candidatos mostraram os padrões esperados de chegada e intensidade de sinal, sugerindo que o método de filtragem estava funcionando. No entanto, a equipe sabia que regras manuais poderiam não capturar tudo, então começaram a treinar um programa de computador usando um tipo de inteligência artificial chamada rede neural. Este programa aprendeu a reconhecer a forma única de um sinal de raio cósmico estudando milhares de exemplos tanto de simulações de computador quanto de dados reais. Quando testada, esta nova ferramenta provou ser altamente eficaz na identificação de sinais simulados, sinalizando corretamente quase todos eles. Seu desempenho em sinais de raios cósmicos reais registrados foi bom, mas ligeiramente inferior, indicando que, embora o método seja poderoso, ainda há espaço para refinar como ele lida com as complexidades dos dados do mundo real.

O trabalho aqui apresentado representa um passo vital à frente na busca pelas origens dos raios cósmicos de alta energia. Ao operar com sucesso a rede protótipo e desenvolver um fluxo de trabalho que pode separar eventos cósmicos verdadeiros de ruídos, os pesquisadores validaram a técnica central para o maior experimento GRAND. A identificação de 51 candidatos e o desenvolvimento de uma ferramenta de aprendizado de máquina para melhorar a detecção futura mostram que o caminho está livre. A equipe agora está avançando para uma rede maior e mais sensível que será capaz de mapear a transição entre os raios cósmicos galácticos e extragalácticos, potencialmente revelando os motores ocultos do universo que aceleram essas partículas a velocidades tão incríveis.

Resumo Técnico: Busca de Raios Cósmicos no GRANDProto300

Definição do Problema
O experimento GRANDProto300 (GP300), um protótipo de arranjo para o Giant Radio Array for Neutrino Detection (GRAND), visa validar a técnica de detecção de rádio autônoma para astropartículas. Especificamente, ele tem como alvo raios cósmicos com energias entre $10^{17}$ e $10^{18,5}$ eV para estudar a região de transição entre fontes galácticas e extragalácticas. O principal desafio abordado neste trabalho é a identificação de sinais genuínos de raios cósmicos dentro de um conjunto massivo de dados dominado por ruído. Os dados estão sujeitos a dois tipos de interferência: "parasitas" (ruído transiente que causa gatilhos falsos, como de aeronaves ou transformadores elétricos) e ruído de fundo estacionário. O objetivo é desenvolver um pipeline robusto para filtrar esses eventos e distinguir verdadeiros banhos de ar de raios cósmicos de ruídos com alta pureza.

Metodologia
Os autores apresentam uma abordagem de duas frentes: um pipeline de filtragem determinístico e uma camada de identificação baseada em aprendizado de máquina.

Pipeline de Busca Determinístico:
O pipeline aplica uma série de cortes conservadores a um conjunto de 5.477.117 eventos de Dados de Coincidência (CD) registrados entre julho e outubro de 2025. O processo prioriza a pureza sobre a eficiência:
- Corte de Agrupamento (Cluster Cut): Remove eventos agrupados no tempo e no espaço (distância angular $\Delta\vartheta < 5^\circ$ , distância temporal $\Delta t < 5$ s) para eliminar surtos de interferência. Esta etapa remove 88% dos dados.
- Corte de Polarização: Utiliza o vetor do campo geomagnético ( $B$ ) e o vetor do campo elétrico ( $e_V$ ). Como se espera que os sinais de raios cósmicos sejam ortogonais a $B$ ( $e_V \cdot e_B \approx 0$ ), eventos que falham neste critério são rejeitados, removendo 35% dos eventos.
- Corte de Zenite: Remove eventos com ângulos zenitais reconstruídos $\theta \leq 60^\circ$ (baixa eficiência para o layout) e $\theta \geq 88^\circ$ (dificuldades de reconstrução), eliminando 61% do lote.
- Corte de Atraso (Delay Cut): Utiliza a reconstrução de Ajuste de Onda Esférica (SWF) para comparar os tempos de chegada medidos com as expectativas teóricas. Eventos com uma discrepância de $\chi^2$ elevada (limiar de $10^3$ ) são filtrados, removendo 44% dos dados.
- Cortes de Qualidade: Um ajuste final de Distribuição Angular (ADF) com um limiar de $\chi^2_{ADF} < 20$ é aplicado.
- Resultado: Estes cortes filtram coletivamente 99,63% dos parasitas, deixando aproximadamente 20.000 candidatos para análise posterior, dos quais 51 candidatos de raios cósmicos foram selecionados.
Camada de Identificação por Aprendizado de Máquina:
Para abordar a forma dos traços registrados (que os cortes determinísticos não utilizam totalmente), os autores desenvolveram uma Rede Neural Convolucional (CNN) para classificação binária (ruído vs. raio cósmico).
- Construção do Conjunto de Dados: Os traços foram extraídos de dados de julho de 2025. O conjunto de dados inclui traços de 384 pontos de parasitas reais, raios cósmicos simulados (inseridos em ruído de fundo) e 567 traços de raios cósmicos reais identificados via o pipeline.
- Arquitetura: O modelo utiliza 13 camadas convolucionais com normalização de lote (batch normalization) e ativação ReLU, seguidas de pooling médio global e uma camada densa. Duas variantes foram testadas: convoluções 1D e 2D, processando canais X (Norte-Sul) e Y (Leste-Oeste).
- Treinamento: Os modelos foram treinados por 4000 épocas com um tamanho de lote de 128 e uma taxa de aprendizado de 0,01, otimizando para recall (Verdadeiros Positivos / (Verdadeiros Positivos + Falsos Negativos)).

Principais Contribuições

Validação Operacional: O artigo relata a operação estável do GP300, com 63 antenas coletando dados até julho de 2025, e apresenta a primeira busca sistemática de raios cósmicos para este protótipo.
Eficiência de Filtragem: Os autores demonstram um pipeline capaz de reduzir um conjunto de mais de 5 milhões de eventos para um conjunto gerenciável de candidatos, removendo 99,63% dos eventos de ruído através de cortes físicos e geométricos sistemáticos.
Integração de ML: O artigo introduz um algoritmo baseado em CNN especificamente projetado para discriminar entre sinais de ruído e raios cósmicos usando traços de sinal, marcando um passo em direção a análises offline mais sofisticadas.
Identificação de Candidatos: O pipeline identificou com sucesso 51 candidatos de raios cósmicos, cujas direções de chegada e dominância de sinal alinham-se com as expectativas teóricas em relação ao campo geomagnético.

Resultos

Desempenho do Pipeline: Os cortes determinísticos reduziram os 5,47 milhões de eventos iniciais para 51 candidatos. As direções de chegada destes candidatos (visualizadas na Figura 1) mostram a dominância esperada de sinal Leste-Oeste.
Desempenho de Aprendizado de Máquina:
- Traços Simulados: Os modelos alcançaram altas taxas de recall de 95,71% (modelo 1D) e 97,85% (modelo 2D).
- Traços de Raios Cósmicos Reais: O recall foi menor, mas significativo, de 62,08% (1D) e 71,15% (2D).
- Rejeição de Parasitas: Os modelos distinguiram efetivamente os parasitas, com o modelo 2D mostrando um recall de 71,15% para raios cósmicos reais, mantendo uma baixa taxa de falsos positivos no conjunto de teste de parasitas.

Significância e Alegações
O artigo afirma que o pipeline desenvolvido valida com sucesso a técnica de detecção de rádio autônoma para raios cósmicos na faixa de $10^{17} - 10^{18,5}$ eV. Ao combinar cortes físicos sistemáticos com uma camada de aprendizado de máquina em desenvolvimento, os autores demonstram a viabilidade de isolar sinais de raios cósmicos de um ambiente de alto ruído. A identificação de 51 candidatos serve como uma prova de conceito para as futuras operações em larga escala do experimento GRAND. Os autores observam modestamente que, embora critérios de seleção visual tenham sido aplicados temporariamente, o desenvolvimento sistemático de cortes de forma de traço (via CNN) é um esforço contínuo para melhorar a identificação sem depender de inspeção manual. O trabalho estabelece uma base para o estudo da região de transição Galáctica-extragaláctica usando o arranjo GRAND.

Mais como este