論文の概要: Segmentation of EM showers for neutrino experiments with deep graph
neural networks
- arxiv url: http://arxiv.org/abs/2104.02040v2
- Date: Tue, 6 Apr 2021 10:12:29 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-07 11:22:38.895463
- Title: Segmentation of EM showers for neutrino experiments with deep graph
neural networks
- Title（参考訳）: 深部グラフニューラルネットワークを用いたニュートリノ実験のためのEMシャワーのセグメンテーション
- Authors: Vladislav Belavin, Ekaterina Trofimova, Andrey Ustyuzhanin
- Abstract要約: 電磁(EM)サンプリング熱量計で収集したデータからシャワーを復元する新しい手法を提案する。
本研究では、多数の粒子が雲室(ECC)のレンガを通過し、電磁シャワーが発生する場合について考察する。
本手法では, 入射粒子に関する情報は使用せず, エマルション検出器内の電磁シャワーの最大82%を同定する。
- 参考スコア（独自算出の注目度）: 3.330229314824913
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce a novel method for showers reconstruction from the data
collected with electromagnetic (EM) sampling calorimeters. Such detectors are
widely used in High Energy Physics to measure the energy and kinematics of
in-going particles. In this work, we consider the case when a large number of
particles pass through an Emulsion Cloud Chamber (ECC) brick, generating
electromagnetic showers. This situation can be observed with long exposure
times or large input particle flux. For example, SHiP experiment is planning to
use emulsion detectors for dark matter search and neutrino physics
investigation. The expected full flux of SHiP experiment is about $10^{20}$
particles over five years. Because of the high amount of in-going particles, we
will observe a lot of overlapping showers. It makes EM showers reconstruction a
challenging segmentation problem. Our reconstruction pipeline consists of a
Graph Neural Network that predicts an adjacency matrix for the clustering
algorithm. To improve Graph Neural Network's performance, we propose a new
layer type (EmulsionConv) that takes into account geometrical properties of
shower development in ECC brick. For the clustering of overlapping showers, we
use a modified hierarchical density-based clustering algorithm. Our method does
not use any prior information about the incoming particles and identifies up to
82% of electromagnetic showers in emulsion detectors. The mean energy
resolution over $17,715$ showers is 27%. The main test bench for the algorithm
for reconstructing electromagnetic showers is going to be SND@LHC.
- Abstract（参考訳）: 電磁(EM)サンプリング熱量計で収集したデータからシャワーを復元する新しい手法を提案する。
このような検出器は高エネルギー物理学において、進行中の粒子のエネルギーと運動量を測定するために広く用いられている。
本研究では,多数の粒子がEmulsion Cloud Chamber (ECC) のれんがを通過し,電磁シャワーが発生する場合について考察する。
この状況は長い露光時間や大きな入力粒子フラックスで観測することができる。
例えば、SHiP実験はダークマター探索とニュートリノ物理研究にエマルション検出器を使用する計画である。
船舶実験のフルフラックスは5年間で約10,^{20}$の粒子が期待できる。
入射する粒子の量が多ければ多いので、重なり合うシャワーをたくさん観測する。
EMシャワーの復元は難しいセグメンテーション問題となる。
再構成パイプラインは,クラスタリングアルゴリズムの隣接行列を予測するグラフニューラルネットワークで構成されている。
グラフニューラルネットワークの性能向上のために,ECCれんがにおけるシャワー発生の幾何学的特性を考慮した新しい層型(EmulsionConv)を提案する。
重なり合うシャワーのクラスタリングのために,階層密度に基づくクラスタリングアルゴリズムを改良した。
本手法では, 入射粒子に関する情報は使用せず, エマルション検出器内の電磁シャワーの最大82%を同定する。
17,715ドルのシャワーの平均エネルギー解像度は27%だ。
電磁シャワーを再構成するためのアルゴリズムの主なテストベンチはsnd@lhcである。
関連論文リスト
- A Comparison of Deep Learning Models for Proton Background Rejection
with the AMS Electromagnetic Calorimeter [0.0]
アルファ磁気分光計(Alpha Magnetic Spectrometer、AMS)は、国際宇宙ステーション(ISS)に搭載されている高精度粒子検出器である。
AMSによって宇宙空間で測定されたポジトロンフラックスは、予想外の25GeV以上の軟化と280GeV以上の硬化を伴っている。
深層学習(DL)を用いたAMS ECALを用いた新しい粒子識別手法を提案する。
論文 参考訳（メタデータ） (2024-02-26T04:06:05Z) - Design and simulation of a transmon qubit chip for Axion detection [103.69390312201169]
超伝導量子ビットに基づくデバイスは、量子非劣化測定(QND)による数GHz単一光子の検出に成功している。
本研究では,Qub-ITの超伝導量子ビットデバイスの実現に向けた状況を示す。
論文 参考訳（メタデータ） (2023-10-08T17:11:42Z) - Unifying over-smoothing and over-squashing in graph neural networks: A
physics informed approach and beyond [45.370565281567984]
グラフニューラルネットワーク(GNN)は、グラフ構造化データの機械学習における主要なアプローチの1つである。
過密化、過密化、限られた表現力といった重要な計算課題は、GNNの性能に影響を与え続けている。
本稿では,マルチスケールヒートカーネルベースGNN (MHKG) を導入し,多様なフィルタ関数がノード特性に与える影響について検討する。
論文 参考訳（メタデータ） (2023-09-06T06:22:18Z) - CaloClouds: Fast Geometry-Independent Highly-Granular Calorimeter
Simulation [0.0]
高粒度検出器における粒子のシャワーのシミュレーションは、粒子物理学への機械学習の適用における重要なフロンティアである。
この研究は、初めて数千の空間点の点雲を3次元空間の検出器で直接生成し、固定格子構造に頼ることなく大きなブレークスルーを成し遂げた。
論文 参考訳（メタデータ） (2023-05-08T16:44:15Z) - Collider Events on a Quantum Computer [0.0]
本稿では、離散QCD法を用いてパルトンシャワーを合成する新しい手法を提案する。
これは、現実的な高エネルギー粒子衝突イベントをシミュレートするために、NISQ(Noisy Intermediate-Scale Quantum)デバイスが初めて使用される。
論文 参考訳（メタデータ） (2022-07-21T18:07:22Z) - Machine Learning for Particle Flow Reconstruction at CMS [7.527568379083754]
CMSのための機械学習に基づく粒子フローアルゴリズムの実装について詳述する。
このアルゴリズムは、温度計クラスタとトラックに基づいて安定粒子を再構成し、グローバルなイベント再構成を提供する。
論文 参考訳（メタデータ） (2022-03-01T10:11:44Z) - Analysis of the HiSCORE Simulated Events in TAIGA Experiment Using
Convolutional Neural Networks [77.34726150561087]
本稿では,エアシャワー特性決定における畳み込みニューラルネットワークの利用について検討する。
我々は、CNNを使ってHiSCOREイベントを分析し、それらをイメージとして扱います。
また,エアシャワーのパラメータの決定に関する予備的な結果も提示した。
論文 参考訳（メタデータ） (2021-12-19T15:18:56Z) - Physics-informed CoKriging model of a redox flow battery [68.8204255655161]
レドックスフロー電池(RFB)は、大量のエネルギーを安価かつ効率的に貯蔵する機能を提供する。
RFBの充電曲線の高速かつ正確なモデルが必要であり、バッテリ容量と性能が向上する可能性がある。
RFBの電荷分配曲線を予測する多相モデルを構築した。
論文 参考訳（メタデータ） (2021-06-17T00:49:55Z) - Visualizing spinon Fermi surfaces with time-dependent spectroscopy [62.997667081978825]
固体系において確立されたツールである時間依存性光電子分光法を低温原子量子シミュレーターに応用することを提案する。
1次元の$t-J$モデルの正確な対角化シミュレーションで、スピノンが非占有状態の効率的なバンド構造に出現し始めることを示す。
ポンプパルス後のスペクトル関数の依存性はスピノン間の集団的相互作用を明らかにする。
論文 参考訳（メタデータ） (2021-05-27T18:00:02Z) - Towards a method to anticipate dark matter signals with deep learning at
the LHC [58.720142291102135]
ニューラルネットワークを用いた簡易暗黒物質モデルとそのシグネチャをLHCで検討した。
通常のモノジェットと逆エネルギーチャネルの欠如に焦点を当てるが、アルゴリズムを訓練するためには、イベント・バイ・イベント・アレーの代わりに2Dヒストグラムでデータを整理する。
これにより、標準モデル(SM)のみとSMと新しい物理信号とを区別する性能が大きく向上する。
論文 参考訳（メタデータ） (2021-05-25T15:38:13Z) - Clustering of Electromagnetic Showers and Particle Interactions with
Graph Neural Networks in Liquid Argon Time Projection Chambers Data [4.653747487703939]
液体アルゴン時間射影チャンバー(Liquid Argon Time Projection Chambers、LArTPC)は、荷電粒子の高解像度画像を生成する検出器である。
異なる粒子の超構造へのクラスター化は、現在と将来のニュートリノ物理学計画において中心的な重要性を持つ。
本稿ではグラフニューラルネットワーク(GNN)を用いて,EMシャワーフラグメントの隣接行列を予測し,シャワーの発生源を同定する。
論文 参考訳（メタデータ） (2020-07-02T18:32:25Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。