論文の概要: Identifying mass composition of ultra-high-energy cosmic rays using deep
learning
- arxiv url: http://arxiv.org/abs/2112.02072v1
- Date: Fri, 3 Dec 2021 18:35:47 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-06 17:29:25.576962
- Title: Identifying mass composition of ultra-high-energy cosmic rays using deep
learning
- Title（参考訳）: 深層学習を用いた超高エネルギー宇宙線の質量組成同定
- Authors: O. Kalashev, I. Kharuk, M. Kuznetsov, G. Rubtsov, T. Sako, Y.
Tsunesada, Ya. Zhezher
- Abstract要約: 深層学習を用いた超高エネルギー宇宙線の質量組成同定法を提案する。
第1のネットワークは個々の事象に対する一次粒子のタイプを予測し、第2のネットワークは事象の集合の質量組成を推定する。
本手法は, 4成分近似法において, 前例のない7%の低誤差を生じる望遠鏡アレイ表面検出器読取用モンテカルロデータに適用する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce a novel method for identifying the mass composition of
ultra-high-energy cosmic rays using deep learning. The key idea of the method
is to use a chain of two neural networks. The first network predicts the type
of a primary particle for individual events, while the second infers the mass
composition of an ensemble of events. We apply this method to the Monte-Carlo
data for the Telescope Array Surface Detectors readings, on which it yields an
unprecedented low error of 7% for 4-component approximation. The statistical
error is shown to be inferior to the systematic one related to the choice of
the hadronic interaction model used for simulations.
- Abstract（参考訳）: 深層学習を用いた超高エネルギー宇宙線の質量組成同定法を提案する。
この方法の重要なアイデアは、2つのニューラルネットワークのチェーンを使用することである。
第1のネットワークは個々のイベントに対する一次粒子の種類を予測し、第2のネットワークはイベントのアンサンブルの質量構成を推定する。
本手法は, 4成分近似法において, 前例のない7%の低誤差を生じる望遠鏡アレイ表面検出器読取用モンテカルロデータに適用する。
統計的誤差はシミュレーションに使用されるハドロン相互作用モデルの選択に関連する系統的な誤差よりも劣っている。
関連論文リスト
- Inferring Kernel $ε$-Machines: Discovering Structure in Complex Systems [49.1574468325115]
本稿では,カーネル因果状態推定を縮小次元空間における座標の集合として符号化する因果拡散成分を提案する。
それぞれのコンポーネントがデータから予測機能を抽出し,そのアプリケーションを4つの例で示す。
論文 参考訳（メタデータ） (2024-10-01T21:14:06Z) - Hyperspectral Lightcurve Inversion for Attitude Determination [0.9820957505036108]
宇宙船の姿勢と回転を推測するために、時系列の単画素分光測定が用いられる。
目的は最小限の情報で作業することであり、それ故に姿勢や慣性テンソルについて事前は利用できない。
結果は合成データに基づいて示される。
論文 参考訳（メタデータ） (2023-12-19T16:06:50Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳（メタデータ） (2023-04-08T07:55:36Z) - Interpretable Joint Event-Particle Reconstruction for Neutrino Physics
at NOvA with Sparse CNNs and Transformers [124.29621071934693]
本稿では,畳み込みによって実現される空間学習と,注意によって実現される文脈学習を組み合わせた新しいニューラルネットワークアーキテクチャを提案する。
TransformerCVNは各事象を同時に分類し、各粒子のアイデンティティを再構築する。
このアーキテクチャにより、ネットワークの予測に関する洞察を提供する、いくつかの解釈可能性の研究を行うことができる。
論文 参考訳（メタデータ） (2023-03-10T20:36:23Z) - Synergy between deep neural networks and the variational Monte Carlo
method for small $^4He_N$ clusters [0.0]
本稿ではBose-Einstein統計量を満たす波動関数をモデル化するためのニューラルネットワークに基づくアプローチを提案する。
このモデルを小さな4He_N$クラスタに適用し、基底状態エネルギー、ペア密度関数、および2体接触パラメータを正確に予測する。
論文 参考訳（メタデータ） (2023-02-01T17:09:13Z) - Neural network enhanced measurement efficiency for molecular
groundstates [63.36515347329037]
いくつかの分子量子ハミルトニアンの複雑な基底状態波動関数を学習するために、一般的なニューラルネットワークモデルを適用する。
ニューラルネットワークモデルを使用することで、単一コピー計測結果だけで観測対象を再構築するよりも堅牢な改善が得られます。
論文 参考訳（メタデータ） (2022-06-30T17:45:05Z) - Optimising hadronic collider simulations using amplitude neural networks [0.0]
我々はNJet C++ライブラリから1ループ振幅でニューラルネットワークモデルをトレーニングし、Sherpa Monte Carloイベントジェネレータとインターフェースする。
その結果,分布の一致は良好であり,シミュレーション時間も30倍に短縮された。
論文 参考訳（メタデータ） (2022-02-09T15:08:30Z) - Unsupervised Spectral Unmixing For Telluric Correction Using A Neural
Network Autoencoder [58.720142291102135]
本研究では,HARPS-N線速度スペクトルから高精度の太陽スペクトルを抽出するニューラルネットワークオートエンコーダ手法を提案する。
論文 参考訳（メタデータ） (2021-11-17T12:54:48Z) - Graph Neural Network for Hamiltonian-Based Material Property Prediction [56.94118357003096]
無機材料のバンドギャップを予測できるいくつかの異なるグラフ畳み込みネットワークを提示し、比較する。
モデルは、それぞれの軌道自体の情報と相互の相互作用の2つの異なる特徴を組み込むように開発されている。
その結果,クロスバリデーションにより予測精度が期待できることがわかった。
論文 参考訳（メタデータ） (2020-05-27T13:32:10Z)
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。