論文の概要: Energy reconstruction for large liquid scintillator detectors with
machine learning techniques: aggregated features approach
- arxiv url: http://arxiv.org/abs/2206.09040v1
- Date: Fri, 17 Jun 2022 22:50:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-22 19:13:10.173055
- Title: Energy reconstruction for large liquid scintillator detectors with
machine learning techniques: aggregated features approach
- Title（参考訳）: 機械学習による大型液体シンチレータ検出器のエネルギー再構成:集合的特徴量アプローチ
- Authors: Arsenii Gavrikov, Yury Malyshkin and Fedor Ratnikov
- Abstract要約: 本研究は, JUNOにおけるエネルギー再構成のための機械学習手法について述べる。
核融合炉核由来のJUNO$-$ニュートリノの主信号に対応する0-10MeVのエネルギー範囲における陽電子事象に焦点を当てた。
我々は,PMTによって収集された情報を用いて,集約された特徴に基づいて学習したブースト決定木と完全連結ディープニューラルネットワークについて考察する。
- 参考スコア（独自算出の注目度）: 0.6015898117103069
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large scale detectors consisting of a liquid scintillator (LS) target
surrounded by an array of photo-multiplier tubes (PMT) are widely used in
modern neutrino experiments: Borexino, KamLAND, Daya Bay, Double Chooz, RENO,
and upcoming JUNO with its satellite detector TAO. Such apparatuses are able to
measure neutrino energy, which can be derived from the amount of light and its
spatial and temporal distribution over PMT-channels. However, achieving a fine
energy resolution in large scale detectors is challenging. In this work, we
present machine learning methods for energy reconstruction in JUNO, the most
advanced detector of its type. We focus on positron events in the energy range
of 0-10 MeV which corresponds to the main signal in JUNO $-$ neutrinos
originated from nuclear reactor cores and detected via an inverse beta-decay
channel. We consider Boosted Decision Trees and Fully Connected Deep Neural
Network trained on aggregated features, calculated using information collected
by PMTs. We describe the details of our feature engineering procedure and show
that machine learning models can provide energy resolution $\sigma = 3\%$ at 1
MeV using subsets of engineered features. The dataset for model training and
testing is generated by the Monte Carlo method with the official JUNO software.
Consideration of calibration sources for evaluation of the reconstruction
algorithms performance on real data is also presented.
- Abstract（参考訳）: 多数の光増倍管(PMT)に囲まれた液体シンチレータ(LS)ターゲットからなる大規模検出器は、ボレキシーノ、カムランD、デイアベイ、ダブルチョーズ、レノ、そして衛星検出器TAOとともに、現代のニュートリノ実験で広く用いられている。
このような装置は、光の量とそのPMTチャネル上の空間的および時間的分布から得られるニュートリノエネルギーを測定することができる。
しかし,大規模検出器における微細なエネルギー分解能の実現は困難である。
本研究では,最も先進的な検出器であるJUNOにおけるエネルギー再構成のための機械学習手法を提案する。
原子炉コアから発生し、逆β-デカイチャネルを介して検出されたジュノーの主信号に対応する0-10 mevのエネルギー範囲における陽電子事象に注目した。
PMTによって収集された情報を用いて,集約された特徴を学習したブースト決定木と完全連結ディープニューラルネットワークを考える。
我々は、機能工学の手順の詳細を説明し、機械学習モデルが工学的機能のサブセットを使用して、1 mevでエネルギー分解能$\sigma = 3\%$を提供できることを示す。
モデルトレーニングとテストのためのデータセットは、モンテカルロ法と公式のJUNOソフトウェアによって生成される。
実データを用いた再構成アルゴリズムの性能評価のための校正源の検討も行った。
関連論文リスト
- Reconstruction of Particle Flow Energy Distribution Using Deep Learning Algorithms [8.5980103509356]
近年の進歩は、エネルギーマップ再構築のための様々なサブ検出器からの熱量計画像の深層学習による処理である。
本稿では,従来のアルゴリズム-MLP,CNN,U-Net,RNN-を,自己注意と3D畳み込みモジュールを含む変種と比較する。
ジェットイベントのテストデータセットを使用して、異常な高エネルギーイベントを扱う際のモデルの性能を分析し、比較する。
論文 参考訳（メタデータ） (2024-10-08T11:49:18Z) - Interpretable machine learning approach for electron antineutrino selection in a large liquid scintillator detector [0.0]
我々は,大規模な液体シンチレータ検出器のための強力な信号バックグラウンド識別器として,完全に接続されたニューラルネットワークを導入した。
JUNO検出器を例として、カットベースアプローチの効率が既に高いにもかかわらず、提示されたMLモデルにより、イベント選択効率がさらに向上できることを実証する。
論文 参考訳（メタデータ） (2024-06-09T18:17:08Z) - Electron Energy Regression in the CMS High-Granularity Calorimeter
Prototype [0.2999888908665658]
CERNに設置する新しいカロリーメータのシミュレーションデータを含む,新たに公開されたデータセットを提案する。
この検出器は600万以上のチャネルを持ち、それぞれのチャネルは位置、イオン化、精度の計測が可能な。
我々は3次元ヒットのエネルギーから入射電子のエネルギーを再構成した。
論文 参考訳（メタデータ） (2023-09-12T20:09:59Z) - Label-free timing analysis of SiPM-based modularized detectors with
physics-constrained deep learning [9.234802409391111]
モジュール化検出器のタイミング解析のためのディープラーニングに基づく新しい手法を提案する。
本稿では,提案手法が求める最適関数の存在を数学的に証明し,モデルのトレーニングと校正のための体系的アルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-04-24T09:16:31Z) - Machine-Learning Love: classifying the equation of state of neutron
stars with Transformers [0.0]
重力波データ解析におけるAudio Spectrogram Transformer(AST)モデルの適用について検討した。
二元中性子星合体からの吸気重力波信号のシミュレーションデータセットにモデルを適用した。
論文 参考訳（メタデータ） (2022-10-15T21:32:36Z) - A machine-learning-based tool for last closed magnetic flux surface
reconstruction on tokamak [58.42256764043771]
トカマク装置による核融合発電は、クリーンエネルギーの持続可能な供給源として最も有望な方法の1つである。
トカマクの主な課題は、アクチュエータコイルと内部トカマクプラズマの相互作用によって決定される最後の閉じた磁束面(LCFS)を予測することである。
本研究では,実験データから自動的に学習する実験用超電導トカマク(EAST)からLCFSを再構築する機械学習モデルを提案する。
論文 参考訳（メタデータ） (2022-07-12T17:15:29Z) - The Preliminary Results on Analysis of TAIGA-IACT Images Using
Convolutional Neural Networks [68.8204255655161]
本研究の目的は,AIGA-IACTに設定された課題を解決するための機械学習アプリケーションの可能性を検討することである。
The method of Convolutional Neural Networks (CNN) was applied to process and analysis Monte-Carlo eventssimulated with CORSIKA。
論文 参考訳（メタデータ） (2021-12-19T15:17:20Z) - Quantum-tailored machine-learning characterization of a superconducting
qubit [50.591267188664666]
我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。
このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。
このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
論文 参考訳（メタデータ） (2021-06-24T15:58:57Z) - Adaptive Latent Space Tuning for Non-Stationary Distributions [62.997667081978825]
本稿では,ディープエンコーダ・デコーダ方式cnnの低次元潜在空間の適応チューニング法を提案する。
粒子加速器における時間変動荷電粒子ビームの特性を予測するためのアプローチを実証する。
論文 参考訳（メタデータ） (2021-05-08T03:50:45Z) - Signal Processing and Machine Learning Techniques for Terahertz Sensing:
An Overview [89.09270073549182]
テラヘルツ(THz)信号生成と放射法は、無線システムの未来を形作っている。
THz 固有の信号処理技術は、THz 帯域の効率的な利用のために、この THz センシングへの関心を補う必要がある。
本稿では,信号前処理に着目した手法の概要を示す。
また,THz帯で有望な知覚能力を探索し,深層学習の有効性についても検討した。
論文 参考訳（メタデータ） (2021-04-09T01:38:34Z) - Learning Latent Space Energy-Based Prior Model [118.86447805707094]
我々はジェネレータモデルの潜在空間でエネルギーベースモデル(EBM)を学習する。
学習したモデルが画像やテキストの生成や異常検出の点で強い性能を示すことを示す。
論文 参考訳（メタデータ） (2020-06-15T08:11:58Z)
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。