基于 KASCADE 实验数据与机器学习的宇宙射线元素组能谱

我们报告了在 1.4 至 100 PeV 能量范围内宇宙射线质量成分谱（质子、氦、碳、硅和铁）及其平均质量组成的重建结果。结果源自广延大气簇射实验 KASCADE 的存档数据。我们使用了一种专为此重建开发的新型机器学习技术，以及 LHC 后强子相互作用模型：QGSJet-II.04、EPOS-LHC 和 Sibyll 2.3c。我们发现，与原始 KASCADE 结果相比，质子成分存在过剩，而中等和重核成分存在不足。质子和氦的能谱在约 4.4 PeV 和约 11 PeV 处显示出膝状行为，显著性分别为 5.2${\sigma}$ 和 3.9${\sigma}$。铁成分的能谱在约 4.5 PeV 处有硬化迹象（2.4${\sigma}$），这可被解释为 GRAPES-3 实验最近报道的 166 TeV 处质子谱硬化的对应现象。我们发现，在所研究的大部分能量范围内，我们分析的系统不确定性小于原始 KASCADE 以及 IceTop 和 TALE 实验的不确定性。我们还单独估算了与上述三种强子相互作用模型差异相关的不确定性。我们还计算了宇宙射线通量的平均对数质量作为能量的函数。在不确定性范围内，该结果与 IceTop、TALE 和 LHAASO 的结果一致。