Data analysis in underwater neutrino telescopes using advanced machine learning tools

[ES] Las radiaciones electromagnéticas no son la única forma que el ser humano tiene para estudiar los astros, de hecho, el estudio de la trayectoria de los neutrinos que llegan a la Tierra puede permitir el estudio de objetos celestes masivos y energéticos a distancias mucho mayores de lo que el espectro electromagnético podría permitir. Sin embargo, estas partículas subatómicas solo pueden ser estudiadas indirectamente utilizando la luz de Cherenkov captada por las líneas de fotorreceptores que forman los telescopios de neutrinos como el Telescopio ANTARES. Actualmente, los datos obtenidos por el telescopio ANTARES son analizados mediante dos algoritmos que son capaces de estimar las componentes de la trayectoria de los neutrinos. El problema de estos algoritmos reside en que requieren que el evento sea captado por múltiples líneas para obtener un buen resultado, pero la mayoría de eventos captados por el telescopio son registrados por una única línea, por tanto, hay muchos eventos de los cuales no se puede extraer toda la información útil. Teniendo en cuenta el vacío existente en la capacidad actual de estimación de trayectorias de estos eventos, el objetivo de este trabajo es la creación de un algoritmo capaz de mejorar las capacidades de predicción de los algoritmos existentes para la estimación de la componente Zenit de la trayectoria de los eventos captados en el telescopio ANTARES por una única línea. Además, el modelo resultante también será utilizado para realizar una primera estimación de la energía del neutrino. Por otro lado, y a diferencia con los algoritmos utilizados actualmente, en nuestro caso optaremos por utilizar un modelo de red neuronal, ya que, al ser un algoritmo de aprendizaje automático multipropósito, estos modelos son capaces de identificar y realizar la regresión de cualquier tipo de función no lineal. Concretamente, el modelo final obtenido es una red neuronal convolucional capaz de obtener una distribución probabilística de la componente Zenit de la trayectoria del neutrino en base a imágenes realizadas con la información recibida en los fotorreceptores. La capacidad del algoritmo dearrollado ha logrado disminuir el error de estimación de la trayectoria en un 50% comparado con los algoritmos actuales, demostrando así que utilizar un modelo de aprendizaje automático puede suponer una mejor opción para realizar la estimación de trayectorias. [EN] The electromagnetic spectrum is not the only way for humans to study the stars; i