Contributors: Laboratoire Intelligence Artificielle de Confiance pour l’Instrumentation (CEA, LIST) (LIACI (CEA, LIST)); Département d'instrumentation Numérique (CEA, LIST) (DIN (CEA, LIST)); Laboratoire d'Intégration des Systèmes et des Technologies (LIST (CEA)); Direction de Recherche Technologique (CEA) (DRT (CEA)); Commissariat à l'énergie atomique et aux énergies alternatives (CEA)-Commissariat à l'énergie atomique et aux énergies alternatives (CEA)-Direction de Recherche Technologique (CEA) (DRT (CEA)); Commissariat à l'énergie atomique et aux énergies alternatives (CEA)-Commissariat à l'énergie atomique et aux énergies alternatives (CEA)-Université Paris-Saclay-Laboratoire d'Intégration des Systèmes et des Technologies (LIST (CEA)); Commissariat à l'énergie atomique et aux énergies alternatives (CEA)-Commissariat à l'énergie atomique et aux énergies alternatives (CEA)-Université Paris-Saclay; San Francisco State University (SFSU); Laboratoire de Physique Nucléaire et de Hautes Énergies (LPNHE (UMR_7585)); Institut National de Physique Nucléaire et de Physique des Particules du CNRS (IN2P3)-Sorbonne Université (SU)-Centre National de la Recherche Scientifique (CNRS); Universidade de Santiago de Compostela España = University of Santiago de Compostela Spain = Université de Saint-Jacques-de-Compostelle Espagne (USC); Institut d'Astrophysique de Paris (IAP); Institut national des sciences de l'Univers (INSU - CNRS)-Sorbonne Université (SU)-Centre National de la Recherche Scientifique (CNRS); Radboud University Nijmegen; Institute of Physics of the Czech Academy of Sciences (FZU / CAS); Czech Academy of Sciences Prague (CAS); Niels Bohr Institute Copenhagen (NBI); Faculty of Science Copenhagen; University of Copenhagen = Københavns Universitet (UCPH)-University of Copenhagen = Københavns Universitet (UCPH); Uniwersytet Warszawski Polska = University of Warsaw Poland = Université de Varsovie Pologne (UW); Purple Mountain Observatory; Chinese Academy of Sciences Nanjing Branch; National Astronomical Observatories Beijing (NAOC); Chinese Academy of Sciences Beijing (CAS); Université libre de Bruxelles = Free University of Brussels (ULB); University of Science and Technology of China Hefei (USTC); Universidade Federal do Estado do Rio de Janeiro (UNIRIO); Vrije Universiteit Brussel Bruxelles (VUB); Laboratoire de physique subatomique et des technologies associées (SUBATECH); Institut National de Physique Nucléaire et de Physique des Particules du CNRS (IN2P3)-Centre National de la Recherche Scientifique (CNRS)-IMT Atlantique (IMT Atlantique); Institut Mines-Télécom Paris (IMT)-Institut Mines-Télécom Paris (IMT)-Nantes université - UFR des Sciences et des Techniques (Nantes univ - UFR ST); Nantes Université - pôle Sciences et technologie; Nantes Université (Nantes Univ)-Nantes Université (Nantes Univ)-Nantes Université - pôle Sciences et technologie; Nantes Université (Nantes Univ)-Nantes Université (Nantes Univ); Brookhaven National Laboratory Upton, NY (BNL); UT-Battelle, LLC-Stony Brook University SUNY (SBU); State University of New York (SUNY)-State University of New York (SUNY)-U.S. Department of Energy Washington (DOE); Karlsruhe Institute of Technology = Karlsruher Institut für Technologie (KIT); Tokyo University of Science Tokyo; China University of Geosciences Beijing; Chinese Academy of Agricultural Sciences (CAAS); Laboratoire Univers et Particules de Montpellier (LUPM); Institut National de Physique Nucléaire et de Physique des Particules du CNRS (IN2P3)-Centre National de la Recherche Scientifique (CNRS)-Université de Montpellier (UM); School of Electronic Engineering Xidian University (SEE); Xidian University; Nepal Academy of Science and Technology; Centro Federal de Educação Tecnológica Celso Suckow da Fonseca Rio de Janeiro (CEFET/RJ); Hellenic Open University Patras; Nanjing University (NJU); International Laboratory for Astrophysics, Neutrino and Cosmology Experiments (ILANCE); Institut National de Physique Nucléaire et de Physique des Particules du CNRS (IN2P3)-Centre National de la Recherche Scientifique (CNRS)-University of Tokyo Kashiwa Campus; The University of Tokyo (UTokyo)-The University of Tokyo (UTokyo); Temple University Philadelphia; Pennsylvania Commonwealth System of Higher Education (PCSHE); Pennsylvania State University State College, PA (Penn State); Penn State System; Laboratoire de Physique de Clermont (LPC); Institut National de Physique Nucléaire et de Physique des Particules du CNRS (IN2P3)-Centre National de la Recherche Scientifique (CNRS)-Université Clermont Auvergne (UCA); The University of Tokyo (UTokyo); Norwegian University of Science and Technology = Norges Teknisk-Naturvitenskapelige Universitet = Norjan teknis-luonnontieteellinen yliopisto (NTNU); University of the Aegean (UoA); Observatoire de la Côte d'Azur; Université Côte d'Azur (UniCA); Shandong Management University; Department of Physics Tokyo, University of Tokyo; Peking University Beijing; Instituto de Física La Plata La Plata (IFLP); Consejo Nacional de Investigaciones Científicas y Técnicas Buenos Aires (CONICET)-Facultad de Ciencias Exactas La Plata; Universidad Nacional de la Plata Buenos Aires (UNLP)-Universidad Nacional de la Plata Buenos Aires (UNLP); Observatoire de Paris; Centre National de la Recherche Scientifique (CNRS)-Université Paris Sciences et Lettres (PSL); Shanghai Jiao Tong University Shanghai; Commission C4 (Astroparticle Physics) of the International Union of Pure and Applied Physics (IUPAP); Giant Radio Array for Neutrino Detection (GRAND); ANR-16-CE31-0001,APACHE,Astroparticules et pulsars : connexions de basse à ultra-haute énergies(2016); ANR-21-CE31-0025,NUTRIG,New trigger:méthodes innovantes pour une radio-détection autonome, efficace, de haute pureté et duplicable des neutrinos et rayons cosmiques de haute énergie(2021)
Abstract: International audience ; The Giant Radio Array for Neutrino Detection (GRAND) aims to detect radio signals from extensive air showers (EAS) caused by ultra-high-energy (UHE) cosmic particles. Galactic, hardware-like, and anthropogenic noise are expected to contaminate these signals. To address this problem, we propose training a supervised convolutional network known as an encoder-decoder. This network is used to learn a coded representation of the data and remove specific features from it. This denoiser is trained using high-fidelity air shower simulations specifically tailored to replicate the characteristics of signals detected by GRAND. In this contribution, we describe our machine-learning model and report initial results demonstrating the sensitivity enhancement resulting from our denoising algorithm when applied to realistically simulated GRAND signals with varying signal-to-noise ratios.
Processing Request
No Comments.