[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"doc-detail-120632-es":3,"doc-seo-120632-110":31,"detail-sidebar-cat-0-es-110":93},{"code":4,"msg":5,"data":6},0,"success",{"doc_id":7,"user_id":8,"nickname":9,"user_avatar":10,"doc_module":4,"category_id":11,"category_name":12,"doc_title":13,"doc_description":14,"doc_content":15,"file_id":16,"file_url":17,"file_type":18,"file_size":19,"view_count":20,"is_deleted":4,"is_public":21,"is_downloadable":21,"audit_status":21,"page_count":22,"language":23,"language_code":24,"site_id":25,"html_lang":24,"table_of_contents":26,"faqs":27,"seo_title":28,"seo_description":14,"update_tm":29,"read_time":30},120632,962084925290,"Ophelia","https://ap-avatar.wpscdn.com/davatar_085a072bc5b1113ac321206ff7593b45",41,"Investigación e Informes","Aplicación de técnicas de aprendizaje automático en Física de Astropartículas - Trabajo de Fin de Grado","La Física de Astropartículas presenta un crecimiento acelerado del tamaño y la complejidad de los datos registrados, lo que impulsa el uso de técnicas de aprendizaje automático para analizar y extraer conclusiones. Este trabajo aplica métodos de aprendizaje automático a datos reales y simulados provenientes del telescopio CTA (Cherenkov Telescope Array). Se evalúa la eficiencia para distinguir eventos iniciados por hadrones o rayos γ, y se comparan sucesos simulados y reales para identificar diferencias y orientar mejoras en las simulaciones y en los modelos.","UNIVERSIDAD COMPLUTENSE DE MADRID FACULTAD DE CIENCIAS F´ISICAS  \nDEPARTAMENTO DE ESTRUCTURA DE LA MATERIA, F´ıSICA T´ERMICA Y  \nELECTR´ONICA  \nTRABAJO DE FIN DE GRADO  \nC´odigo de TFG: ETE17  \nAplicaci´on de t´ecnicas de aprendizaje autom´atico en F´ısica de  \nAstropart´ıculas  \nApplication of machine learning techniques to Particle Astrophysics Supervisores: Jos´e Luis Contreras Gonz´alez y Daniel Nieto Casta˜no  \nIn˜igo Mart´ınez Ciriza  \nGrado en F´ısica  \nCurso acad´emico 2023-24  \nConvocatoria ordinaria  \nCalificación: 9,6  \nResumen:  \nLa F´ısica de Astropart´ıculas est´a experimentando en los ´ultimos a˜nos un r´apido crecimientoen el gran tama˜no y complejidad de los datos registrados. Por ello, las t´ecnicas de aprendizajeautom´atico se est´an utilizando m´as frecuentemente con el fin de analizar y extraer conclusiones de la ingente cantidad de datos obtenidos. En este trabajo se aplican algunas de las t´ecnicas deaprendizaje autom´atico a datos reales y simulados recogidos por un telescopio de CTA (Cherenkov Telescope Array) . A partir del uso de estas t´ecnicas se estudia su eficiencia a la hora de distinguir sucesos creados por hadrones o rayos γ y tambi´en se estudian las diferencias entre los sucesossimulados y los reales, para tratar de analizar c´omo se pueden mejorar las simulaciones y encontrar las diferencias que crean los modelos.  \nAbstract:  \nParticle Astrophysics is experiencing in the last years a rapid growth in registered data size and complexity. This is the reason why machine learning techniques are being used more frequently to analyze and obtain conclusions on the enormous amount of data obtained. In this work some machine learning techniques are applied to real and simulated CTA (Cherenkov Telescope Array) telescope data. These techniques are used to study the efficiency in distinguishing events initiated by hadrons or γ rays, and to discern differences between real and simulated events aiming to improve simulations and detect the differences the models create.  \n´Indice  \n1. Introducci´on 2  \n1.1. Los rayos c´osmicos ..................................... 2  \n1.2. Cascadas atmosf´ericas extensas .............................. 2  \n1.3. T´ecnicas de detecci´on de cascadas atmosf´ericas extensas ................ 3  \n1.4. La c´amara del LST-1 .................................... 4  \n2. Objetivos 4  \n3. Metodolog´ıa 5  \n3.1. Software ........................................... 5  \n3.2. Modelos de aprendizaje autom´atico ............................ 6  \n3.3. El Random Forest ..................................... 7  \n3.3.1. Muestreo con reemplazo (bootstrap aggregation) ................. 7  \n3.3.2. Optimizaci´on de la divisi´on en los nodos ..................... 8  \n3.3.3. Entrenamiento del modelo ............................. 9  \n3.3.4. Modelos de RF ................................... 9  \n4. Resultados y discusi´on 11  \n4.1. Configuraci´on de los modelos ............................... 12  \n4.2. Modelos entrenados con sucesos simulados ........................ 12  \n4.2.1. Distinci´on entre hadrones y rayos γ ....................... 13  \n4.2.2. Estimaci´on de la de energ´ıas de rayos γ simulados ............... 14  \n4.3. Comprobaci´on de los modelos con sucesos reales .................... 16  \n4.3.1. Naturaleza de los sucesos reales .......................... 16  \n4.3.2. Espectro de energ´ıa de los sucesos reales ..................... 17  \n4.4. Distinci´on entre sucesos simulados y reales ........................ 17  \n5. Conclusiones 20  \n6. Bibliograf´ıa 20  \n1 . Introducci´on  \nLa F´ısica de Astropart´ıculas se encarga, junto con otras disciplinas, del estudio de las part´ıculas elementales procedentes del Universo que llegan a la Tierra. Se trata de una rama con un grann´umero de campos de investigaci´on, entre los que destaca el estudio de las cascadas atmosf´ericasextensas o EAS (Extensive Air Shower), campo en el que se centra el presente trabajo.  \n1.1. Los rayos c´osmicos  \nLos rayos c´osmicos ","cbCaivmLrnHZWRD3","https://ap.wps.com/l/cbCaivmLrnHZWRD3","pdf",4044318,6,1,22,"Spanish","es",110,"# Resumen\n# Introducción\n## Los rayos cósmicos\n## Cascadas atmosféricas extensas\n## Técnicas de detección de cascadas atmosféricas extensas\n## La cámara del LST-1\n# Objetivos\n# Metodología\n## Software\n## Modelos de aprendizaje automático\n## Random Forest\n### Muestreo con reemplazo (bootstrap aggregation)\n### Optimización de la división en los nodos\n### Entrenamiento del modelo\n### Modelos de RF\n# Resultados y discusión\n## Configuración de los modelos\n## Modelos entrenados con sucesos simulados\n### Distinción entre hadrones y rayos γ\n### Estimación de la de energías de rayos γ simulados\n## Comprobación de los modelos con sucesos reales\n### Naturaleza de los sucesos reales\n### Espectro de energía de los sucesos reales\n## Distinción entre sucesos simulados y reales\n# Conclusiones\n# Bibliografía","[{\"question\":\"Qué problema de Astropartículas aborda este trabajo?\",\"answer\":\"Aborda el análisis de datos de Física de Astropartículas, en particular el estudio de cascadas atmosféricas extensas (EAS), usando aprendizaje automático sobre datos reales y simulados.\"},{\"question\":\"Qué datos se utilizan para entrenar y evaluar los modelos?\",\"answer\":\"Se emplean datos reales y simulados recogidos por un telescopio del proyecto CTA (Cherenkov Telescope Array).\"},{\"question\":\"Para qué se aplican las técnicas de aprendizaje automático en este estudio?\",\"answer\":\"Para evaluar su eficiencia al distinguir eventos iniciados por hadrones frente a rayos γ y para comparar diferencias entre eventos simulados y reales, con el fin de mejorar las simulaciones y detectar sesgos creados por los modelos.\"}]","Aplicación de técnicas de aprendizaje automático en Física de Astropartículas - Trabajo de Fin de Grado | PDF",1785731011,34,{"code":4,"msg":32,"data":33},"ok",{"site_id":25,"language":24,"slug":34,"title":13,"keywords":35,"description":14,"schema_data":36,"social_meta":88,"head_meta":90,"extra_data":92,"updated_unix":29},"application-of-machine-learning-techniques-in-astroparticle-physics-final-degree-project","",{"@graph":37,"@context":87},[38,55,70],{"@type":39,"itemListElement":40},"BreadcrumbList",[41,45,49,52],{"item":42,"name":43,"@type":44,"position":21},"https://docshare.wps.com","Home","ListItem",{"item":46,"name":47,"@type":44,"position":48},"https://docshare.wps.com/es/document/","Document",2,{"item":50,"name":12,"@type":44,"position":51},"https://docshare.wps.com/es/document/investigación-e-informes/",3,{"item":53,"name":13,"@type":44,"position":54},"https://docshare.wps.com/es/document/application-of-machine-learning-techniques-in-astroparticle-physics-final-degree-project/120632/",4,{"url":53,"name":13,"@type":56,"author":57,"headline":13,"publisher":59,"fileFormat":62,"inLanguage":24,"description":14,"dateModified":63,"datePublished":64,"encodingFormat":62,"isAccessibleForFree":65,"interactionStatistic":66},"DigitalDocument",{"name":9,"@type":58},"Person",{"url":42,"name":60,"@type":61},"DocShare","Organization","application/pdf","2026-08-31","2026-08-03",true,{"@type":67,"interactionType":68,"userInteractionCount":20},"InteractionCounter",{"@type":69},"ViewAction",{"@type":71,"mainEntity":72},"FAQPage",[73,79,83],{"name":74,"@type":75,"acceptedAnswer":76},"Qué problema de Astropartículas aborda este trabajo?","Question",{"text":77,"@type":78},"Aborda el análisis de datos de Física de Astropartículas, en particular el estudio de cascadas atmosféricas extensas (EAS), usando aprendizaje automático sobre datos reales y simulados.","Answer",{"name":80,"@type":75,"acceptedAnswer":81},"Qué datos se utilizan para entrenar y evaluar los modelos?",{"text":82,"@type":78},"Se emplean datos reales y simulados recogidos por un telescopio del proyecto CTA (Cherenkov Telescope Array).",{"name":84,"@type":75,"acceptedAnswer":85},"Para qué se aplican las técnicas de aprendizaje automático en este estudio?",{"text":86,"@type":78},"Para evaluar su eficiencia al distinguir eventos iniciados por hadrones frente a rayos γ y para comparar diferencias entre eventos simulados y reales, con el fin de mejorar las simulaciones y detectar sesgos creados por los modelos.","https://schema.org",{"og:url":53,"og:type":89,"og:title":13,"og:site_name":60,"og:description":14},"article",{"robots":91,"canonical":53},"index,follow",{"doc_id":7,"site_id":25},{"code":4,"msg":5,"data":94},[95,100,104,108,112,114,118,121,125,129],{"id":96,"doc_module":4,"doc_module_name":47,"category_name":97,"show_sort_weight":98,"slug":99},39,"Cómic",60,"comic",{"id":101,"doc_module":4,"doc_module_name":47,"category_name":102,"show_sort_weight":98,"slug":103},43,"Estilo de Vida","lifestyle",{"id":105,"doc_module":4,"doc_module_name":47,"category_name":106,"show_sort_weight":98,"slug":107},38,"Examen","exam",{"id":109,"doc_module":4,"doc_module_name":47,"category_name":110,"show_sort_weight":98,"slug":111},44,"General","general",{"id":11,"doc_module":4,"doc_module_name":47,"category_name":12,"show_sort_weight":98,"slug":113},"research-report",{"id":115,"doc_module":4,"doc_module_name":47,"category_name":116,"show_sort_weight":98,"slug":117},37,"Literatura","literature",{"id":22,"doc_module":4,"doc_module_name":47,"category_name":119,"show_sort_weight":98,"slug":120},"Relatos y Novelas","story-novel",{"id":122,"doc_module":4,"doc_module_name":47,"category_name":123,"show_sort_weight":98,"slug":124},42,"Religión y Espiritualidad","religion-spirituality",{"id":126,"doc_module":4,"doc_module_name":47,"category_name":127,"show_sort_weight":98,"slug":128},40,"Salud y Atención Médica","healthcare",{"id":130,"doc_module":4,"doc_module_name":47,"category_name":131,"show_sort_weight":98,"slug":132},24,"Tecnología","technology"]