論文の概要: Deep Learning-Based Spatiotemporal Multi-Event Reconstruction for Delay Line Detectors

• arxiv url: http://arxiv.org/abs/2306.09359v2
• Date: Fri, 5 Jul 2024 08:46:17 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-09 01:21:29.061906
• Title: Deep Learning-Based Spatiotemporal Multi-Event Reconstruction for Delay Line Detectors
• Title（参考訳）: 深層学習に基づく遅延線検出器の時空間多重イベント再構成
• Authors: Marco Knipfer, Stefan Meier, Jonas Heimerl, Peter Hommelhoff, Sergei Gleyzer,
• Abstract要約: マルチヒット粒子信号の位置と時刻を同定・再構成するための時間的機械学習モデルを提案する。 このモデルは、古典的なアプローチに比べて、近隣の粒子の衝突に対してはるかに優れた分解能を達成する。 機械学習モデルは遅延線検出器の時間的性能向上に有効であることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate observation of two or more particles within a very narrow time window has always been a challenge in modern physics. It creates the possibility of correlation experiments, such as the ground-breaking Hanbury Brown-Twiss experiment, leading to new physical insights. For low-energy electrons, one possibility is to use a microchannel plate with subsequent delay lines for the readout of the incident particle hits, a setup called a Delay Line Detector. The spatial and temporal coordinates of more than one particle can be fully reconstructed outside a region called the dead radius. For interesting events, where two electrons are close in space and time, the determination of the individual positions of the electrons requires elaborate peak finding algorithms. While classical methods work well with single particle hits, they fail to identify and reconstruct events caused by multiple nearby particles. To address this challenge, we present a new spatiotemporal machine learning model to identify and reconstruct the position and time of such multi-hit particle signals. This model achieves a much better resolution for nearby particle hits compared to the classical approach, removing some of the artifacts and reducing the dead radius by half. We show that machine learning models can be effective in improving the spatiotemporal performance of delay line detectors.
• Abstract（参考訳）: 非常に狭い時間窓の中の2つ以上の粒子の正確な観測は、現代物理学の課題である。 これは、ハンベリー・ブラウン・ツイツの実験のような相関実験の可能性を生み出し、新しい物理的洞察をもたらす。 低エネルギー電子の場合、インシデント粒子ヒットの読み出しに後続の遅延線を持つマイクロチャネルプレートを使用することがあり、これは遅延線検出器と呼ばれる設定である。 複数の粒子の空間的および時間的座標は、死半径と呼ばれる領域の外で完全に再構成することができる。 2つの電子が空間と時間に近接している興味深い事象の場合、電子の個々の位置を決定するには精巧なピーク探索アルゴリズムが必要である。 古典的な手法は単一粒子ヒットとうまく機能するが、近くの複数の粒子によって引き起こされる事象を識別・再構成することができない。 この課題に対処するために、このような多層粒子信号の位置と時刻を同定し、再構成する新しい時空間機械学習モデルを提案する。 このモデルは、古典的なアプローチに比べて、近隣の粒子の衝突に対してはるかに優れた分解能を達成し、一部の人工物を取り除き、死半径を半分に減らした。 本研究では,遅延線検出器の時空間性能向上に機械学習モデルが有効であることを示す。

関連論文リスト

• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• Designing Observables for Measurements with Deep Learning [0.12277343096128711]
  機械学習を用いて,対象とする観測対象を設計することを提案する。 ニューラルネットワーク出力の展開された微分断面は、関心のパラメータに関する最も多くの情報を含んでいる。 深部散乱の包括的測定に2つの物理モデルを用いたシミュレーションでこのアイデアを実証する。
  論文  参考訳（メタデータ） (2023-10-12T20:54:34Z)
• Improved particle-flow event reconstruction with scalable neural networks for current and future particle detectors [1.4609888393206634]
  電子-陽電子衝突における事象再構成のためのスケーラブルな機械学習モデルについて, フル検出器シミュレーションに基づく検討を行った。 グラフニューラルネットワークとカーネルベースのトランスフォーマーを比較し、現実的な再構築を実現しつつ、操作を回避できることを実証する。 最良のグラフニューラルネットワークモデルでは、ルールベースのアルゴリズムと比較して、ジェット横運動量分解能が最大50%向上している。
  論文  参考訳（メタデータ） (2023-09-13T08:16:15Z)
• Efficient Approximations of Complete Interatomic Potentials for Crystal Property Prediction [63.4049850776926]
  結晶構造は、3次元空間で無限に繰り返される最小単位セルからなる。 現在の手法は、近くのノード間だけにエッジを確立することによってグラフを構築する。 距離のみを用いるのではなく,物理を前提とした原子間ポテンシャルを直接モデル化することを提案する。
  論文  参考訳（メタデータ） (2023-06-12T07:19:01Z)
• 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)
• Explainable Machine Learning for Breakdown Prediction in High Gradient RF Cavities [7.39531359499484]
  分解は、粒子加速器のRFキャビティにおいて最も多い制限要因の1つである。 本稿では,CERN のコンパクト線形前駆体における分解衝突を発見するための機械学習戦略を提案する。
  論文  参考訳（メタデータ） (2022-02-10T07:32:18Z)
• Real-time Detection of Anomalies in Multivariate Time Series of Astronomical Data [0.0]
  天文トランジェント(英: Astronomical transients)は、様々な時間スケールで一時的に明るくなる恒星天体である。 新しい天文学的なスカイサーベイは、かつてない数のマルチ波長のトランジェントを観測している。 本稿では, 高速かつ自動で異常な過渡光曲線をリアルタイムに検出することを目的とした2つの新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-12-15T19:02:54Z)
• 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)
• Quantum speedup for track reconstruction in particle accelerators [51.00143435208596]
  我々は,各局所追跡法に存在する基本ルーチンを4つ同定し,標準追跡アルゴリズムの文脈でどのようにスケールするかを解析する。 発見された量子スピードアップは穏やかだが、これは私たちの知識の中でも最高のものであり、高エネルギーの物理データ処理タスクに対する量子上の優位性の最初の厳密な証拠である。
  論文  参考訳（メタデータ） (2021-04-23T13:32:14Z)
• Spatio-Temporal Action Detection with Multi-Object Interaction [127.85524354900494]
  本稿では,多目的インタラクションを用いたS時間動作検出問題について検討する。 マルチオブジェクトインタラクションを含むアクションチューブに空間的アノテーションを付加した新しいデータセットを提案する。 本研究では,空間的・時間的回帰を同時に行うエンド・ツー・エンドの時間的行動検出モデルを提案する。
  論文  参考訳（メタデータ） (2020-04-01T00:54:56Z)

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。