論文の概要: A Comparison of Deep Learning Models for Proton Background Rejection
with the AMS Electromagnetic Calorimeter
- arxiv url: http://arxiv.org/abs/2402.16285v1
- Date: Mon, 26 Feb 2024 04:06:05 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-27 14:46:29.005573
- Title: A Comparison of Deep Learning Models for Proton Background Rejection
with the AMS Electromagnetic Calorimeter
- Title（参考訳）: ams電磁カロリメータを用いた陽子背景拒絶のための深層学習モデルの比較
- Authors: Raheem Karim Hashmani, Emre Akba\c{s}, Melahat Bilge Demirk\"oz
- Abstract要約: アルファ磁気分光計(Alpha Magnetic Spectrometer、AMS)は、国際宇宙ステーション(ISS)に搭載されている高精度粒子検出器である。
AMSによって宇宙空間で測定されたポジトロンフラックスは、予想外の25GeV以上の軟化と280GeV以上の硬化を伴っている。
深層学習(DL)を用いたAMS ECALを用いた新しい粒子識別手法を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The Alpha Magnetic Spectrometer (AMS) is a high-precision particle detector
onboard the International Space Station containing six different subdetectors.
The Transition Radiation Detector and Electromagnetic Calorimeter (ECAL) are
used to separate electrons/positrons from the abundant cosmic-ray proton
background.
The positron flux measured in space by AMS falls with a power law which
unexpectedly softens above 25 GeV and then hardens above 280 GeV. Several
theoretical models try to explain these phenomena, and a purer measurement of
positrons at higher energies is needed to help test them. The currently used
methods to reject the proton background at high energies involve extrapolating
shower features from the ECAL to use as inputs for boosted decision tree and
likelihood classifiers. We present a new approach for particle identification
with the AMS ECAL using deep learning (DL). By taking the energy deposition
within all the ECAL cells as an input and treating them as pixels in an
image-like format, we train an MLP, a CNN, and multiple ResNets and
Convolutional vision Transformers (CvTs) as shower classifiers.
Proton rejection performance is evaluated using Monte Carlo (MC) events and
ISS data separately. For MC, using events with a reconstructed energy between
0.2 - 2 TeV, at 90% electron accuracy, the proton rejection power of our CvT
model is more than 5 times that of the other DL models. Similarly, for ISS data
with a reconstructed energy between 50 - 70 GeV, the proton rejection power of
our CvT model is more than 2.5 times that of the other DL models.
- Abstract（参考訳）: アルファ磁気分光計(Alpha Magnetic Spectrometer、AMS)は6つのサブ検出器を含む国際宇宙ステーションに搭載されている高精度粒子検出器である。
遷移放射検出器と電磁カロリメータ(ECAL)は、豊富な宇宙線陽子背景から電子と陽電子を分離するために用いられる。
AMSによって宇宙空間で測定されたポジトロンフラックスは、予想外の25GeV以上の軟化と280GeV以上の硬化を伴っている。
いくつかの理論モデルがこれらの現象を説明しようとしており、より高エネルギーの陽電子の純粋な測定が必要である。
高いエネルギーで陽子背景を拒絶するために現在使われている手法は、ECALから外挿したシャワーの特徴を、決定木や可能性分類器の入力として使用するものである。
深層学習(DL)を用いたAMS ECALを用いた新しい粒子識別手法を提案する。
全てのECALセル内のエネルギ沈着を入力として、イメージライクなフォーマットでピクセルとして扱うことにより、MLP、CNN、複数のResNetおよび畳み込み視覚変換器(CvT)をシャワー分類器として訓練する。
プロトンリジェクション性能はモンテカルロ (mc) イベントと iss データによって別々に評価される。
MCの場合、0.2TeVから2TeVの間で再構成されたエネルギーを用いて、90%の精度でCvTモデルの陽子拒絶力は、他のDLモデルの5倍以上である。
同様に、50GeVから70GeVの間で再構成されたエネルギーを持つISSデータに対して、我々のCvTモデルの陽子拒絶力は他のDLモデルの2.5倍以上である。
関連論文リスト
- Signatures of superradiance in intensity correlation measurements in a two-emitter solid-state system [0.0]
ダイヤモンドナノピラーに埋め込まれた窒素空孔(NV)エミッタの強度相関測定を行った。
単項状態と三項状態の両方からの遷移速度が$approx 6$で増加するのを観察する。
2エミッタ系からの超放射能放射を観測データの最も可能性の高い説明として同定した。
論文 参考訳（メタデータ） (2024-08-03T14:57:58Z) - Autoencoders for Real-Time SUEP Detection [0.0]
深層学習に基づく異常検出手法を開発し,QCDジェットを拒絶し,異常なシグネチャを識別する。
畳み込み型ニューラルオートエンコーダネットワークは、QCDイベントを用いて、横方向のエネルギ沈殿物を取り込むことで訓練されている。
トレーニングされたモデルは、QCDジェットに対して実験的なシグネチャ異常を予測する新しい物理モデルに適用することができる。
論文 参考訳（メタデータ） (2023-06-23T16:35:00Z) - Molecular Geometry-aware Transformer for accurate 3D Atomic System
modeling [51.83761266429285]
本稿では,ノード(原子)とエッジ(結合と非結合の原子対)を入力とし,それらの相互作用をモデル化するトランスフォーマーアーキテクチャを提案する。
MoleformerはOC20の緩和エネルギー予測の初期状態の最先端を実現し、QM9では量子化学特性の予測に非常に競争力がある。
論文 参考訳（メタデータ） (2023-02-02T03:49:57Z) - Energy reconstruction for large liquid scintillator detectors with
machine learning techniques: aggregated features approach [0.6015898117103069]
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。
論文 参考訳（メタデータ） (2022-06-17T22:50:50Z) - Deep learning techniques for energy clustering in the CMS ECAL [0.0]
CMSにおける電子と光子の再構成は、入射粒子によって堆積されたエネルギーのトポロジカルクラスタリングに依存する。
グラフニューラルネットワーク(GNN)や自己認識アルゴリズムといった最先端のディープラーニングアーキテクチャを活用する新しい手法が研究されている。
論文 参考訳（メタデータ） (2022-04-21T17:23:43Z) - Demonstration of electron-nuclear decoupling at a spin clock transition [54.088309058031705]
クロック遷移は磁気ノイズから分子スピン量子ビットを保護する。
核自由度への線形結合は、電子コヒーレンスの変調と崩壊を引き起こす。
核浴への量子情報漏洩がないことは、他のデコヒーレンス源を特徴づける機会を与える。
論文 参考訳（メタデータ） (2021-06-09T16:23:47Z) - BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。
ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
論文 参考訳（メタデータ） (2021-06-08T10:14:57Z) - Controlled coherent dynamics of [VO(TPP)], a prototype molecular nuclear
qudit with an electronic ancilla [50.002949299918136]
本稿では,[VO(TPP)](バナジルテトラフェニルポルフィリン酸塩)が量子計算アルゴリズムの実装に適していることを示す。
超微細相互作用によって結合された電子スピン1/2を核スピン7/2に埋め込み、どちらも顕著なコヒーレンスによって特徴づけられる。
論文 参考訳（メタデータ） (2021-03-15T21:38:41Z) - A multiconfigurational study of the negatively charged nitrogen-vacancy
center in diamond [55.58269472099399]
広帯域ギャップ半導体の深い欠陥は、量子センシングと情報応用を実現するための主要な量子ビット候補として現れている。
ここでは、単一粒子処理とは異なり、伝統的に原子/分子に予約されていた多重構成量子化学法は、これらの欠陥中心の電子状態の多体特性を正確に記述する。
論文 参考訳（メタデータ） (2020-08-24T01:49:54Z) - Electrically tuned hyperfine spectrum in neutral
Tb(II)(Cp$^{\rm{iPr5}}$)$_2$ single-molecule magnet [64.10537606150362]
分子電子レベルと核スピンレベルの両方を量子ビットとして用いることができる。
ドーパントを持つ固体系では、電場が核スピン量子ビットレベル間の間隔を効果的に変化させることが示されている。
この超微細スターク効果は量子コンピューティングにおける分子核スピンの応用に有用かもしれない。
論文 参考訳（メタデータ） (2020-07-31T01:48:57Z)
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。