論文の概要: No more glowing in the dark: How deep learning improves exposure date estimation in thermoluminescence dosimetry

• arxiv url: http://arxiv.org/abs/2106.07592v1
• Date: Mon, 14 Jun 2021 16:51:50 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-15 19:23:50.725961
• Title: No more glowing in the dark: How deep learning improves exposure date estimation in thermoluminescence dosimetry
• Title（参考訳）: no more glowing in the dark: 深層学習が熱ルミネッセンス線量計の露光日推定を改善する方法
• Authors: F. Mentzel, E. Derugin, H. Jansen, K. Kr\"oninger, O. Nackenhorst, J. Walbersloh and J. Weingarten
• Abstract要約: 深部ニューラルネットワークを用いて,42日間の監視間隔で12mSvの単一照射日を推定する。 深部畳み込みネットワークを用いて、68%の信頼レベルで約1～2日の不確実性を有する生の時間分解光曲線データから照射日を予測することができる。 これは、ニューラルネットワークへの入力としてグロー曲線のデコンボリューションから得られる特徴を用いて、予測の不確かさを2～4日間の予測結果とした前報と比較して、予測精度が大幅に向上したことを意味する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The time- or temperature-resolved detector signal from a thermoluminescence dosimeter can reveal additional information about circumstances of an exposure to ionizing irradiation. We present studies using deep neural networks to estimate the date of a single irradiation with 12 mSv within a monitoring interval of 42 days from glow curves of novel TL-DOS personal dosimeters developed by the Materialpr\"ufungsamt NRW in cooperation with TU Dortmund University. Using a deep convolutional network, the irradiation date can be predicted from raw time-resolved glow curve data with an uncertainty of roughly 1-2 days on a 68% confidence level without the need for a prior transformation into temperature space and a subsequent glow curve deconvolution. This corresponds to a significant improvement in prediction accuracy compared to a prior publication, which yielded a prediction uncertainty of 2-4 days using features obtained from a glow curve deconvolution as input to a neural network.
• Abstract（参考訳）: 熱ルミネッセンス線量計からの時間または温度分解検出器信号は、電離放射線への曝露状況に関する追加情報を明らかにすることができる。 TU Dortmund Universityと共同でMaterialpr\"ufungsamt NRWによって開発された新しいTL-DOS個人線量計の光度曲線から,42日間の監視間隔内で12mSvの単一照射日を推定するために,ディープニューラルネットワークを用いた研究を行った。 深層畳み込みネットワークを用いて、温度空間への事前変換やその後のグローカーブデコンボリューションを必要とせず、68%の信頼度レベルで約1-2日の不確かさを有する生の時間分解グローカーブデータから照射日を予測できる。 これは、ニューラルネットワークへの入力としてグローカーブデコンボリューションから得られた特徴を用いて、2〜4日間の予測不確実性をもたらす以前の出版と比較して、予測精度の大幅な向上に対応する。

関連論文リスト

• Towards Neural-Network-based optical temperature sensing of Semiconductor Membrane External Cavity Laser [0.0]
  レーザ発光によるレーザ利得媒体の温度を決定するための機械学習非接触方法を提案する。 フィードフォワードニューラルネットワーク(NN)のトレーニングにより、スペクトルデータのみからデバイス特性の予測が可能になる。
  論文  参考訳（メタデータ） (2024-10-29T20:49:29Z)
• Scaling Wearable Foundation Models [54.93979158708164]
  センサ基礎モデルのスケーリング特性を計算,データ,モデルサイズにわたって検討する。 最大4000万時間分の心拍数、心拍変動、心電図活動、加速度計、皮膚温度、および1分間のデータを用いて、私たちはLSMを作成します。 この結果から,LSMのスケーリング法則は,時間とセンサの両面において,計算や外挿などのタスクに対して確立されている。
  論文  参考訳（メタデータ） (2024-10-17T15:08:21Z)
• LSTM networks provide efficient cyanobacterial blooms forecasting even with incomplete spatio-temporal data [2.5537500385691594]
  シアノバクテリアの早期警報システム(EWS)は、タイムリーな管理対策の実装を可能にする。 本稿では,6年間の非完全高周波時間データを用いたシアノバクテリアの開花予測に有効なEWSを提案する。 その結果,ハイブリッドシステムで評価した4日から28日間の7つの予測時間地平線について分析した。
  論文  参考訳（メタデータ） (2024-10-09T15:13:24Z)
• Evaluating probabilistic and data-driven inference models for fiber-coupled NV-diamond temperature sensors [0.7140163200313723]
  連続波光磁気共鳴(ODMR)測定による温度推定における推定モデルが不確実性に与える影響について検討した。 このモデルでは、スピンハミルトンパラメータの温度依存性を利用して、ODMRデータのスペクトル特徴から温度を推定する。
  論文  参考訳（メタデータ） (2024-09-14T17:23:20Z)
• Real-time gravitational-wave inference for binary neutron stars using machine learning [71.29593576787549]
  近似を行なわずに1秒で完全なBNS推論を行う機械学習フレームワークを提案する。 本手法は, (i) 合併前の正確な局所化を提供することにより, (i) 近似低遅延法と比較して, (ii) 局所化精度を$sim30%$で改善すること, (iii) 光度距離, 傾斜, 質量に関する詳細な情報を提供することにより, (i) マルチメーサの観測を向上する。
  論文  参考訳（メタデータ） (2024-07-12T18:00:02Z)
• Assessing Neural Network Representations During Training Using Noise-Resilient Diffusion Spectral Entropy [55.014926694758195]
  ニューラルネットワークにおけるエントロピーと相互情報は、学習プロセスに関する豊富な情報を提供する。 データ幾何を利用して基礎となる多様体にアクセスし、これらの情報理論測度を確実に計算する。 本研究は,高次元シミュレーションデータにおける固有次元と関係強度の耐雑音性の測定結果である。
  論文  参考訳（メタデータ） (2023-12-04T01:32:42Z)
• Dilated convolutional neural network for detecting extreme-mass-ratio inspirals [8.809900732195281]
  本稿では,周波数領域におけるシーケンスモデリングによるEMRI信号検出に着目したエンドツーエンドモデルDECODEを提案する。 我々は,SNRを50～120に蓄積した1年間のデータから,真正の96.3%を偽正の1%で達成した。
  論文  参考訳（メタデータ） (2023-08-31T03:16:38Z)
• Deep Learning for Day Forecasts from Sparse Observations [60.041805328514876]
  深層ニューラルネットワークは、気象条件をモデル化するための代替パラダイムを提供する。 MetNet-3は、密度とスパースの両方のデータセンサーから学習し、降水、風、温度、露点を最大24時間前に予測する。 MetNet-3は、それぞれ時間分解能と空間分解能が高く、最大2分と1km、運用遅延は低い。
  論文  参考訳（メタデータ） (2023-06-06T07:07:54Z)
• Understanding of the properties of neural network approaches for transient light curve approximations [37.91290708320157]
  本稿では,観測光曲線を時間と波長で近似する最良性能法を提案する。 テストデータセットには、PLAsTiCCと実際のZwicky Transient Facility Bright Transient Survey光曲線のシミュレーションが含まれている。
  論文  参考訳（メタデータ） (2022-09-15T18:00:08Z)
• SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection Classifier [68.8204255655161]
  神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。 移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。 SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
  論文  参考訳（メタデータ） (2021-10-01T23:01:20Z)
• Real-time gravitational-wave science with neural posterior estimation [64.67121167063696]
  ディープラーニングを用いた高速重力波パラメータ推定のための前例のない精度を示す。 LIGO-Virgo Gravitational-Wave Transient Catalogから8つの重力波事象を解析した。 標準推論符号と非常に密接な定量的な一致を見いだすが、推定時間がO(day)から1イベントあたり1分に短縮される。
  論文  参考訳（メタデータ） (2021-06-23T18:00:05Z)

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。