Caracterización e identificación de partículas usando la tecnología Skipper CCD

Dark matter constitutes a significant portion of the Universe, yet our understanding of it remains limited. In this work, we focus on characterizing the IRONMAN experimental setup at IFCA, designed for dark matter direct detection utilizing Skipper-CCD technology capable of counting electrons. Despi...

ver descrição completa

Detalhes bibliográficos
Autor: Pérez Chamorro, Daniel
Formato: tesis de maestría
Fecha de publicación:2024
País:España
Recursos:Universidad de Cantabria (UC)
Repositorio:UCrea Repositorio Abierto de la Universidad de Cantabria
Idioma:inglés
OAI Identifier:oai:repositorio.unican.es:10902/35399
Acesso em linha:https://hdl.handle.net/10902/35399
Access Level:acceso abierto
Palavra-chave:Dark matter
Skipper-CCD
MOSKITA
Hot columns
Deep neural network
Muon
Materia oscura
Columna caliente
Red neuronal profunda
id ES_b827a48e4d9934f9a01d40a3a5aaa021
oai_identifier_str oai:repositorio.unican.es:10902/35399
network_acronym_str ES
network_name_str España
repository_id_str
spelling Caracterización e identificación de partículas usando la tecnología Skipper CCDCharacterization and particle identification using Skipper CCD technologyPérez Chamorro, DanielDark matterSkipper-CCDMOSKITAHot columnsDeep neural networkMuonMateria oscuraColumna calienteRed neuronal profundaDark matter constitutes a significant portion of the Universe, yet our understanding of it remains limited. In this work, we focus on characterizing the IRONMAN experimental setup at IFCA, designed for dark matter direct detection utilizing Skipper-CCD technology capable of counting electrons. Despite the characterisation, we were unable to obtain quality images for scientific analysis. As an alternative, we used images from the MOSKITA detector at the LHC to develop a deep neural network capable of classifying the different types of particles detected. In addition, this neural network will be implemented in the official software of the DAMIC-M collaboration for future studies. Finally, using this neural network we verified that the number of muons is not directly correlated with luminosity.La materia oscura constituye una parte significativa del Universo, pero nuestra comprensión de la misma sigue siendo limitada. En este trabajo, nos centramos en la caracterización del montaje experimental del IFCA IRONMAN, diseñado para la detección directa de materia oscura y que utiliza tecnología Skipper-CCD capaz de contar electrones. A pesar de la caracterización, no pudimos obtener imágenes de calidad para el análisis científico. Como alternativa, utilizamos imágenes del detector MOSKITA en el LHC para desarrollar una red neuronal profunda capaz de clasificar los distintos tipos de partículas detectadas. Además, esta red neuronal se integrará en el software oficial de la colaboración DAMIC-M para futuros estudios. Finalmente, utilizando esta red neuronal, comprobamos que el número de muones no está directamente correlacionado con la luminosidad.Máster en Física de Partículas y del CosmosCastelló Mor, NúriaVilar Cortabitarte, RocíoUniversidad de Cantabria20242024-09-01master thesishttp://purl.org/coar/resource_type/c_bdccNAhttp://purl.org/coar/version/c_be7fb7dd8ff6fe43info:eu-repo/semantics/masterThesishttps://hdl.handle.net/10902/35399reponame:UCrea Repositorio Abierto de la Universidad de Cantabriainstname:Universidad de Cantabria (UC)Inglésengopen accesshttp://purl.org/coar/access_right/c_abf2Attribution-NonCommercial-NoDerivatives 4.0 Internationalhttp://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccessoai:repositorio.unican.es:10902/353992026-06-02T12:39:31Z
dc.title.none.fl_str_mv Caracterización e identificación de partículas usando la tecnología Skipper CCD
Characterization and particle identification using Skipper CCD technology
title Caracterización e identificación de partículas usando la tecnología Skipper CCD
spellingShingle Caracterización e identificación de partículas usando la tecnología Skipper CCD
Pérez Chamorro, Daniel
Dark matter
Skipper-CCD
MOSKITA
Hot columns
Deep neural network
Muon
Materia oscura
Columna caliente
Red neuronal profunda
title_short Caracterización e identificación de partículas usando la tecnología Skipper CCD
title_full Caracterización e identificación de partículas usando la tecnología Skipper CCD
title_fullStr Caracterización e identificación de partículas usando la tecnología Skipper CCD
title_full_unstemmed Caracterización e identificación de partículas usando la tecnología Skipper CCD
title_sort Caracterización e identificación de partículas usando la tecnología Skipper CCD
dc.creator.none.fl_str_mv Pérez Chamorro, Daniel
author Pérez Chamorro, Daniel
author_facet Pérez Chamorro, Daniel
author_role author
dc.contributor.none.fl_str_mv Castelló Mor, Núria
Vilar Cortabitarte, Rocío
Universidad de Cantabria
dc.subject.none.fl_str_mv Dark matter
Skipper-CCD
MOSKITA
Hot columns
Deep neural network
Muon
Materia oscura
Columna caliente
Red neuronal profunda
topic Dark matter
Skipper-CCD
MOSKITA
Hot columns
Deep neural network
Muon
Materia oscura
Columna caliente
Red neuronal profunda
description Dark matter constitutes a significant portion of the Universe, yet our understanding of it remains limited. In this work, we focus on characterizing the IRONMAN experimental setup at IFCA, designed for dark matter direct detection utilizing Skipper-CCD technology capable of counting electrons. Despite the characterisation, we were unable to obtain quality images for scientific analysis. As an alternative, we used images from the MOSKITA detector at the LHC to develop a deep neural network capable of classifying the different types of particles detected. In addition, this neural network will be implemented in the official software of the DAMIC-M collaboration for future studies. Finally, using this neural network we verified that the number of muons is not directly correlated with luminosity.
publishDate 2024
dc.date.none.fl_str_mv 2024
2024-09-01
dc.type.none.fl_str_mv master thesis
http://purl.org/coar/resource_type/c_bdcc
NA
http://purl.org/coar/version/c_be7fb7dd8ff6fe43
dc.type.openaire.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
dc.identifier.none.fl_str_mv https://hdl.handle.net/10902/35399
url https://hdl.handle.net/10902/35399
dc.language.none.fl_str_mv Inglés
eng
language_invalid_str_mv Inglés
language eng
dc.rights.none.fl_str_mv open access
http://purl.org/coar/access_right/c_abf2
Attribution-NonCommercial-NoDerivatives 4.0 International
http://creativecommons.org/licenses/by-nc-nd/4.0/
dc.rights.openaire.fl_str_mv info:eu-repo/semantics/openAccess
rights_invalid_str_mv open access
http://purl.org/coar/access_right/c_abf2
Attribution-NonCommercial-NoDerivatives 4.0 International
http://creativecommons.org/licenses/by-nc-nd/4.0/
eu_rights_str_mv openAccess
dc.source.none.fl_str_mv reponame:UCrea Repositorio Abierto de la Universidad de Cantabria
instname:Universidad de Cantabria (UC)
instname_str Universidad de Cantabria (UC)
reponame_str UCrea Repositorio Abierto de la Universidad de Cantabria
collection UCrea Repositorio Abierto de la Universidad de Cantabria
repository.name.fl_str_mv
repository.mail.fl_str_mv
_version_ 1869417607296188416
score 15.812429

Registos relacionados