論文の概要: Enhancing Events in Neutrino Telescopes through Deep Learning-Driven Super-Resolution

• arxiv url: http://arxiv.org/abs/2408.08474v1
• Date: Fri, 16 Aug 2024 01:20:27 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-19 16:50:01.775752
• Title: Enhancing Events in Neutrino Telescopes through Deep Learning-Driven Super-Resolution
• Title（参考訳）: 深層学習型超解像によるニュートリノ望遠鏡の事象の強調
• Authors: Felix J. Yu, Nicholas Kamp, Carlos A. Argüelles,
• Abstract要約: 本稿では,深層学習駆動によるデータイベントの超解像を用いて,検出器媒質を介して光子輸送を学習する手法を提案する。 我々の戦略では、既存の検出器の幾何内に仮想'の光学モジュールを配置し、畳み込みニューラルネットワークをトレーニングし、これらの仮想光学モジュールのヒットを予測する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent discoveries by neutrino telescopes, such as the IceCube Neutrino Observatory, relied extensively on machine learning (ML) tools to infer physical quantities from the raw photon hits detected. Neutrino telescope reconstruction algorithms are limited by the sparse sampling of photons by the optical modules due to the relatively large spacing ($10-100\,{\rm m})$ between them. In this letter, we propose a novel technique that learns photon transport through the detector medium through the use of deep learning-driven super-resolution of data events. These ``improved'' events can then be reconstructed using traditional or ML techniques, resulting in improved resolution. Our strategy arranges additional ``virtual'' optical modules within an existing detector geometry and trains a convolutional neural network to predict the hits on these virtual optical modules. We show that this technique improves the angular reconstruction of muons in a generic ice-based neutrino telescope. Our results readily extend to water-based neutrino telescopes and other event morphologies.
• Abstract（参考訳）: アイスキューブニュートリノ天文台のようなニュートリノ望遠鏡による最近の発見は、検出された生光子から物理量を予測するために機械学習(ML)ツールに大きく依存していた。 ニュートリノ望遠鏡再構成アルゴリズムは、比較的大きな間隔(10-100\,{\rm m})$の光モジュールによる光子のスパースサンプリングによって制限される。 本稿では,深層学習駆動型データイベントの超解像を用いて,検出器媒質を介して光子輸送を学習する新しい手法を提案する。 これらの‘改善された’イベントは、従来のML技術を使って再構築できるため、解像度が向上する。 我々の戦略は、既存の検出器幾何学の中に「仮想」光学モジュールを配置し、仮想光学モジュールのヒットを予測するために畳み込みニューラルネットワークを訓練する。 この手法により、一般的な氷ベースのニュートリノ望遠鏡におけるミューオンの角度再構成が向上することを示す。 この結果は、水系ニュートリノ望遠鏡や他のイベントモルフォロジーに容易に拡張できる。

関連論文リスト

• Learning Efficient Representations of Neutrino Telescope Events [0.0]
  ニュートリノ望遠鏡は、宇宙で最も極端な環境で生成された粒子の希少な相互作用を検出する。 その大きさと背景相互作用の頻度から、これらの望遠鏡は膨大な量の高次元データを蓄積する。 本稿では, 変圧器を用いた変分オートエンコーダを用いてニュートリノ望遠鏡イベントを効率よく表現し, コンパクトかつ潜時表現を学習する, om2vecと呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-10-17T02:07:54Z)
• Preliminary Report on Mantis Shrimp: a Multi-Survey Computer Vision Photometric Redshift Model [0.431625343223275]
  光度赤偏移推定は天文学の確立されたサブフィールドである。 Mantis Shrimpは、超紫外(GALEX)、光学(PanSTARRS)、赤外線(UnWISE)画像を融合する、測光赤方偏移推定のためのコンピュータビジョンモデルである。
  論文  参考訳（メタデータ） (2024-02-05T21:44:19Z)
• 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)
• Supernova Light Curves Approximation based on Neural Network Models [53.180678723280145]
  光度データによる超新星の分類は、天文学におけるビッグデータのリアルタイム処理の出現によって課題となる。 近年の研究では、様々な機械学習モデルに基づく解の優れた品質が実証されている。 我々は,多層パーセプトロン(MLP),ベイジアンニューラルネットワーク(BNN),正規化フロー(NF)の単一光曲線観測への応用について検討した。
  論文  参考訳（メタデータ） (2022-06-27T13:46:51Z)
• Processing Images from Multiple IACTs in the TAIGA Experiment with Convolutional Neural Networks [62.997667081978825]
  我々は、畳み込みニューラルネットワーク(CNN)を用いて、TAIGA実験からモンテカルロシミュレーション画像を分析する。 この分析は、ガンマ線によるシャワーに対応する画像の選択と、ガンマ線のエネルギーを推定することを含む。
  論文  参考訳（メタデータ） (2021-12-31T10:49:11Z)
• Deep learning with photosensor timing information as a background rejection method for the Cherenkov Telescope Array [0.0]
  Atmospheric Cherenkov Telescopes (IACTs) の画像解析における新たな深層学習手法の提案 cnnは、チェレンコフシャワー画像に含まれる全情報を使用する直接イベント分類方法を提供することができる。
  論文  参考訳（メタデータ） (2021-03-10T13:54:43Z)
• Rapid characterisation of linear-optical networks via PhaseLift [51.03305009278831]
  集積フォトニクスは優れた位相安定性を提供し、半導体産業によって提供される大規模な製造性に依存することができる。 このような光回路に基づく新しいデバイスは、機械学習アプリケーションにおいて高速でエネルギー効率の高い計算を約束する。 線形光ネットワークの転送行列を再構成する新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-10-01T16:04:22Z)
• Spatial Mode Correction of Single Photons using Machine Learning [1.8086378019947618]
  本研究では, ニューラルネットワークの自己学習・自己進化的特徴を利用して, 歪んだラゲール・ガウスモードの複雑な空間プロファイルを1光子レベルで補正する。 この結果は, 構造光子と単一光子画像のリアルタイム乱流補正に重要な意味を持つ。
  論文  参考訳（メタデータ） (2020-06-14T01:25:17Z)
• Quantum metamaterial for nondestructive microwave photon counting [52.77024349608834]
  弱い非線形メタマテリアルに基づいてマイクロ波領域で動作する単一光子検出器の設計を提案する。 単光子検出の忠実度はメタマテリアルの長さとともに増加し,実験的に現実的な長さで接近することを示す。 光領域で動作する従来の光子検出器とは対照的に、光子検出により光子を破壊せず、光子波束を最小限に乱す。
  論文  参考訳（メタデータ） (2020-05-13T18:00:03Z)
• Deep Photon Mapping [59.41146655216394]
  本稿では,粒子ベースのレンダリングのための新しい深層学習手法を提案する。 我々は、カーネル関数を予測するために新しいディープニューラルネットワークをトレーニングし、シェーディングポイントでの光子寄与を集約する。 我々のネットワークは、個々の光子を光子ごとの特徴にエンコードし、シェーディングポイントの近傍でそれらを集約し、光子ごとの局所的特徴と光子ごとの局所的特徴からカーネル関数を推論する。
  論文  参考訳（メタデータ） (2020-04-25T06:59:10Z)

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。