Fugu-MT 論文翻訳(概要): Pulse Shape Simulation and Discrimination using Machine-Learning Techniques

論文の概要: Pulse Shape Simulation and Discrimination using Machine-Learning Techniques

arxiv url: http://arxiv.org/abs/2206.15156v1
Date: Thu, 30 Jun 2022 09:40:01 GMT
ステータス: 処理完了
システム内更新日: 2022-07-01 15:13:29.187005
Title: Pulse Shape Simulation and Discrimination using Machine-Learning Techniques
Title（参考訳）: 機械学習技術を用いたパルス形状シミュレーションと識別
Authors: Shubham Dutta, Sayan Ghosh, Satyaki Bhattacharya and Satyajit Saha
Abstract要約: パルス形状判別(PSD)は、多くの核、高エネルギー、希少な探索実験において、この目的のための基本的な方法である。本稿では,Dense Neural Network と Recurrent Neural Network の2つの手法について検討した。
参考スコア（独自算出の注目度）: 2.532973996508579
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: An essential metric for the quality of a particle-identification experiment is its statistical power to discriminate between signal and background. Pulse shape discrimination (PSD) is a basic method for this purpose in many nuclear, high-energy, and rare-event search experiments where scintillator detectors are used. Conventional techniques exploit the difference between decay-times of the pulse from signal and background events or pulse signals caused by different types of radiation quanta to achieve good discrimination. However, such techniques are efficient only when the total light-emission is sufficient to get a proper pulse profile. This is only possible when there is significant recoil energy due to the incident particle in the detector. But, rare-event search experiments like neutrino or dark-matter direct search experiments don't always satisfy these conditions. Hence, it becomes imperative to have a method that can deliver very efficient discrimination in these scenarios. Neural network-based machine-learning algorithms have been used for classification problems in many areas of physics, especially in high-energy experiments, and have given better results compared to conventional techniques. We present the results of our investigations of two network-based methods viz. Dense Neural Network and Recurrent Neural Network, for pulse shape discrimination and compare the same with conventional methods.
Abstract（参考訳）: 粒子識別実験の品質にとって重要な指標は、信号と背景を識別する統計力である。パルス形状判別(PSD)は、シンチレータ検出器を用いる多くの核、高エネルギー、希少な探索実験において、この目的のための基本的な方法である。従来の手法では、パルスの減衰時間と信号と背景事象、あるいは異なる種類の放射量によって引き起こされるパルス信号との差を利用して、良好な識別を行う。しかし、そのような技術は、適切なパルスプロファイルを得るのに全光放出が十分である場合にのみ効率的である。これは検出器内の入射粒子によるかなりの反動エネルギーがある場合にのみ可能である。しかし、ニュートリノやダークマター直接探索実験のような希少な探索実験は、必ずしもこれらの条件を満たすとは限らない。したがって、これらのシナリオにおいて非常に効率的な差別を実現する方法を持つことが必須となる。ニューラルネットワークに基づく機械学習アルゴリズムは、物理学の多くの分野、特に高エネルギー実験において分類問題に使われ、従来の手法よりも優れた結果を得た。本稿では,2つのネットワークベースの手法vizに関する調査結果を紹介する。パルス形状判別のためのDense Neural NetworkとRecurrent Neural Networkは、従来の手法と比較する。

関連論文リスト

Efficient representation learning of scintillation signal characteristics with spectrum-inspired temporal neural networks [1.124958340749622]
シンチレータを用いた核放射線検出器は、粒子・高エネルギー物理実験、核医学イメージング、産業・環境検出等に広く利用されている。本稿では,従来の時系列解析に基づくシンチレーション信号のキャラクタリゼーションに適したネットワークアーキテクチャを提案する。
論文参考訳（メタデータ） (2024-10-09T02:44:53Z)
Quantum-noise-limited optical neural networks operating at a few quanta per activation [5.494796517705931]
我々は,光学ニューラルネットワークを訓練し,決定論的画像分類タスクを高精度に行うことができることを示す。単一光子系で動作する隠蔽層を有する光ニューラルネットワークを用いて, 試験精度98%のMNIST分類を実験的に実証した。
論文参考訳（メタデータ） (2023-07-28T17:59:46Z)
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)
Femtosecond pulse parameter estimation from photoelectron momenta using machine learning [0.0]
畳み込みニューラルネットワーク(CNN)は、特徴抽出やパラメータ推定といったタスクに対する驚くほどの明度を実証している。ここでは、強電界電離光電子スペクトルを用いてCNNを試験し、実験データを逆転させる理論データセットのトレーニングを行う。
論文参考訳（メタデータ） (2023-03-24T11:58:06Z)
Testing predictions of representation cost theory with CNNs [5.816527700115096]
我々は、訓練された畳み込みニューラルネットワーク(CNN)が周波数の異なる信号に対して異なる感度を持つことを示す。これは自然画像の周波数分布の結果であり、その電力の大部分は低中間周波数に集中していることが知られている。
論文参考訳（メタデータ） (2022-10-03T22:35:43Z)
Toward deep-learning-assisted spectrally-resolved imaging of magnetic noise [52.77024349608834]
本研究では,基礎となるゆらぎ磁場のスペクトル密度を効率的に再構成するディープニューラルネットワークを実装した。これらの結果は、色中心に基づくナノスケールセンシングとイメージングに機械学習手法を適用する機会を生み出す。
論文参考訳（メタデータ） (2022-08-01T19:18:26Z)
Disentangling multiple scattering with deep learning: application to strain mapping from electron diffraction patterns [48.53244254413104]
我々は、高非線形電子回折パターンを定量的構造因子画像に変換するために、FCU-Netと呼ばれるディープニューラルネットワークを実装した。結晶構造の異なる組み合わせを含む20,000以上のユニークな動的回折パターンを用いてFCU-Netを訓練した。シミュレーションされた回折パターンライブラリ、FCU-Netの実装、訓練されたモデルの重み付けは、オープンソースリポジトリで自由に利用可能です。
論文参考訳（メタデータ） (2022-02-01T03:53:39Z)
On the Frequency Bias of Generative Models [61.60834513380388]
我々は、最先端のGANトレーニングにおいて、高周波アーティファクトに対する提案手法を解析した。既存のアプローチでは、スペクトルアーティファクトを完全に解決できないことが分かっています。以上の結果から,識別能力の向上に大きな可能性があることが示唆された。
論文参考訳（メタデータ） (2021-11-03T18:12:11Z)
SignalNet: A Low Resolution Sinusoid Decomposition and Estimation Network [79.04274563889548]
本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
論文参考訳（メタデータ） (2021-06-10T04:21:20Z)
Identifying nonclassicality from experimental data using artificial neural networks [52.77024349608834]
ニューラルネットワークをトレーニングして、古典的および非古典的状態とを、その二次的測定分布から分類する。光の状態の異なる実実験的な二次データから古典的特徴や非古典的特徴を正確に識別できることを示す。
論文参考訳（メタデータ） (2021-01-18T15:12:47Z)
Neural network quantum state tomography in a two-qubit experiment [52.77024349608834]
機械学習にインスパイアされた変分法は、量子シミュレータのスケーラブルな状態キャラクタリゼーションへの有望な経路を提供する。本研究では,2ビットの絡み合った状態を生成する実験から得られた測定データに適用することにより,いくつかの手法をベンチマークし比較する。実験的な不完全性やノイズの存在下では、変動多様体を物理状態に収束させることで、再構成された状態の質が大幅に向上することがわかった。
論文参考訳（メタデータ） (2020-07-31T17:25:12Z)

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。