論文の概要: 2D Convolutional Neural Network for Event Reconstruction in IceCube DeepCore

• arxiv url: http://arxiv.org/abs/2307.16373v1
• Date: Mon, 31 Jul 2023 02:37:36 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-01 15:57:43.035905
• Title: 2D Convolutional Neural Network for Event Reconstruction in IceCube DeepCore
• Title（参考訳）: IceCube DeepCoreにおけるイベント再構成のための2次元畳み込みニューラルネットワーク
• Authors: J.H. Peterson, M. Prado Rodriguez, K. Hanson (for the IceCube Collaboration)
• Abstract要約: IceCube DeepCoreは、GeVスケールの大気ニュートリノ相互作用を測定するために設計されたアイスキューブニュートリノ天文台の拡張である。 他のフレーバーからミューオンニュートリノを除去し、非弾性を再構築することは、特にGeVスケールエネルギーにおいて難しい課題である。 我々はIceCube DeepCoreデータにおける時間と深さの対称性を利用する新しいCNNモデルを提案する。
• 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: IceCube DeepCore is an extension of the IceCube Neutrino Observatory designed to measure GeV scale atmospheric neutrino interactions for the purpose of neutrino oscillation studies. Distinguishing muon neutrinos from other flavors and reconstructing inelasticity are especially difficult tasks at GeV scale energies in IceCube DeepCore due to sparse instrumentation. Convolutional neural networks (CNNs) have been found to have better success at neutrino event reconstruction than conventional likelihood-based methods. In this contribution, we present a new CNN model that exploits time and depth translational symmetry in IceCube DeepCore data and present the model's performance, specifically for flavor identification and inelasticity reconstruction.
• Abstract（参考訳）: IceCube DeepCoreは、ニュートリノ振動の研究のためにGeVスケールの大気ニュートリノ相互作用を測定するために設計されたアイスキューブニュートリノ天文台の拡張である。 他のフレーバーからミューオンニュートリノを除去し、非弾性を再構築することは、スパースインスツルメンテーションによるアイスキューブディープコアのGeVスケールエネルギーにおいて特に難しい課題である。 畳み込みニューラルネットワーク(CNN)は、従来の可能性に基づく手法よりもニュートリノの事象再構成において成功している。 そこで本研究では,icecube deepcoreデータにおける時間と深さの翻訳対称性を利用した新しいcnnモデルを提案し,そのモデルの性能,特にフレーバー識別と非弾性再構成について述べる。

関連論文リスト

• Recent neutrino oscillation result with the IceCube experiment [14.645468999921961]
  アイスキューブ・サウスポールニュートリノ天文台(IceCube South Pole Neutrino Observatory)は、南極点の1立方キロメートルの氷で観測されるチェレンコフ検出器である。 アイスキューブの主な科学的目標は、天体物理学的な源からTeVニュートリノの放射を検出することである。 物理感度の進歩は、最近、DeepCore検出器におけるニュートリノ相互作用を再構築するために畳み込みニューラルネットワークを用いて達成されている。
  論文  参考訳（メタデータ） (2023-07-29T01:12:26Z)
• Trigger-Level Event Reconstruction for Neutrino Telescopes Using Sparse Submanifold Convolutional Neural Networks [0.0]
  畳み込みニューラルネットワーク(CNN)はニュートリノ望遠鏡を含む科学データ分析に広く応用されている。 これらの問題の解決策としてスパースサブマニフォールド畳み込み(SSCNN)を提案する。 SSCNNイベント再構成性能は従来の機械学習アルゴリズムに匹敵するか否かを示す。
  論文  参考訳（メタデータ） (2023-03-15T17:59:01Z)
• 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)
• Gradient Descent in Neural Networks as Sequential Learning in RKBS [63.011641517977644]
  初期重みの有限近傍にニューラルネットワークの正確な電力系列表現を構築する。 幅にかかわらず、勾配降下によって生成されたトレーニングシーケンスは、正規化された逐次学習によって正確に複製可能であることを証明した。
  論文  参考訳（メタデータ） (2023-02-01T03:18:07Z)
• GraphNeT: Graph neural networks for neutrino telescope event reconstruction [0.0]
  GraphNeTは、グラフニューラルネットワーク(GNN)を用いたニュートリノ望遠鏡の再構成タスクを実行するためのオープンソースのピソンフレームワークである。 GraphNeTのGNNは、アイスキューブ拡張やP-ONEのような将来のプロジェクトを含む全てのニュートリノ望遠鏡のデータに適用できるほど柔軟である。 これは、GNNベースの再構成が、ニュートリノ望遠鏡のほとんどの再建作業、リアルタイムの事象率、実験や物理分析、ニュートリノや天体物理学に大きな影響を与える可能性があることの、最先端のパフォーマンスを提供するために使われることを意味している。
  論文  参考訳（メタデータ） (2022-10-21T18:43:50Z)
• An advanced spatio-temporal convolutional recurrent neural network for storm surge predictions [73.4962254843935]
  本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。 本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2022-04-18T23:42:18Z)
• A Convolutional Neural Network based Cascade Reconstruction for the IceCube Neutrino Observatory [0.4282223735043171]
  ディープニューラルネットワークは非常に強力であり、ネットワークをトレーニングすればその使用は計算的に安価になる。 畳み込み構造と六角形カーネルに基づく再構成法を提案する。 それは2から3桁の規模で再建を実行するために必要な時間を短縮しながら、再建の精度を向上させることができます。
  論文  参考訳（メタデータ） (2021-01-27T18:34:58Z)
• Neural Networks with Recurrent Generative Feedback [61.90658210112138]
  畳み込みニューラルネットワーク(CNN)でこの設計をインスタンス化する 実験では、標準ベンチマーク上の従来のフィードフォワードCNNに対して、CNN-Fは敵のロバスト性を大幅に改善した。
  論文  参考訳（メタデータ） (2020-07-17T19:32:48Z)
• A Generalized Neural Tangent Kernel Analysis for Two-layer Neural Networks [87.23360438947114]
  重み劣化を伴う雑音勾配降下は依然として「カーネル様」の挙動を示すことを示す。 これは、トレーニング損失が一定の精度まで線形に収束することを意味する。 また,重み劣化を伴う雑音勾配勾配勾配で学習した2層ニューラルネットワークに対して,新しい一般化誤差を確立する。
  論文  参考訳（メタデータ） (2020-02-10T18:56:15Z)
• On Random Kernels of Residual Architectures [93.94469470368988]
  ResNets と DenseNets のニューラルタンジェントカーネル (NTK) に対して有限幅および深さ補正を導出する。 その結果,ResNetsでは,深さと幅が同時に無限大となるとNTKへの収束が生じる可能性が示唆された。 しかし、DenseNetsでは、NTKの幅が無限大になる傾向があるため、その限界への収束が保証されている。
  論文  参考訳（メタデータ） (2020-01-28T16:47:53Z)

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。