L'expérience du Grand Radio Array pour la détection des neutrinos (GRAND) vise à détecter et à étudier les neutrinos d'énergie ultrahaute par l'observation des émissions radio produites dans les chutes d'air extensives. Cet article présente une méthode pour reconstruire avec une haute précision la direction et l'énergie des rayons cosmiques en utilisant des réseaux de neurones graphiques (GNN) dans le projet GRAND.
La méthode proposée utilise des traces de tension simulées comme entrée pour un GNN. Pour améliorer la précision et réduire la taille du jeu de données nécessaire à l'entraînement, des connaissances physiques sont intégrées à la fois dans l'architecture du GNN et dans les données d'entrée. Cette approche atteint une résolution angulaire de 0,14° et une résolution de reconstruction de l'énergie primaire d'environ 15 %. De plus, des méthodes d'estimation d'incertitude sont employées pour améliorer la fiabilité des prédictions.
L'étude démontre le potentiel des GNN dans la reconstruction des propriétés des rayons cosmiques et souligne l'importance de l'intégration des connaissances physiques et des estimations d'incertitude dans le processus de reconstruction. Les résultats suggèrent que les GNN peuvent être un outil précieux pour améliorer les capacités de reconstruction du projet GRAND et d'autres expériences similaires.