Se presentan resultados preliminares del uso de técnicas computacionales de Deep Learning (aprendizaje profundo) para la reconstrucción de la profundidad atmosférica del máximo desarrollo de cascadas de partículas $X_{max}.\ La \ X_{max}$ es una observable física sensible a la composición del rayo cósmico primario (rc que generó la cascada de partículas). Con el fin de aprovechar las técnicas de redes neuronales, se ha entrenado una red con Simulaciones Monte Carlo, que se usan por el momento como datos de entrada. De esta manera, algunas características como $X_{max}$ y Energía, son procesadas, lo que nos permite construir un modelo (preliminar) de aprendizaje automático capaz de predecir el comportamiento de $X_{max}$ vs Energía.

Se presentan resultados preliminares del uso de técnicas computacionales de Deep Learning (aprendizaje profundo) para la reconstrucción de la profundidad atmosférica del máximo desarrollo de cascadas de partículas $X_{max}.\ La \ X_{max}$ es una observable física sensible a la composición del rayo cósmico primario (rc que generó la cascada de partículas). Con el fin de aprovechar las técnicas de redes neuronales, se ha entrenado una red con Simulaciones Monte Carlo, que se usan por el momento como datos de entrada. De esta manera, algunas características como $X_{max}$ y Energía, son procesadas, lo que nos permite construir un modelo (preliminar) de aprendizaje automático capaz de predecir el comportamiento de $X_{max}$ vs Energía.