論文の概要: Trigger Optimization and Event Classification for Dark Matter Searches in the CYGNO Experiment Using Machine Learning

• arxiv url: http://arxiv.org/abs/2601.20626v1
• Date: Wed, 28 Jan 2026 14:00:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-29 15:46:06.960871
• Title: Trigger Optimization and Event Classification for Dark Matter Searches in the CYGNO Experiment Using Machine Learning
• Title（参考訳）: 機械学習を用いたCYGNO実験における暗黒物質探索のためのトリガー最適化と事象分類
• Abstract要約: 本稿では,CYGNO内で開発された2つの補完的機械学習手法を提案する。 まず、再構成に基づく異常検出に基づくオンラインデータ削減のための、高速かつ完全に教師なしの戦略を提案する。 第2に、アメリシウム-ベリリウム中性子源で得られたデータに対して、分類不要ラベル(CWoLa)フレームワークを弱監督的に適用したことを報告した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The CYGNO experiment employs an optical-readout Time Projection Chamber (TPC) to search for rare low-energy interactions using finely resolved scintillation images. While the optical readout provides rich topological information, it produces large, sparse megapixel images that challenge real-time triggering, data reduction, and background discrimination. We summarize two complementary machine-learning approaches developed within CYGNO. First, we present a fast and fully unsupervised strategy for online data reduction based on reconstruction-based anomaly detection. A convolutional autoencoder trained exclusively on pedestal images (i.e. frames acquired with GEM amplification disabled) learns the detector noise morphology and highlights particle-induced structures through localized reconstruction residuals, from which compact Regions of Interest (ROIs) are extracted. On real prototype data, the selected configuration retains (93.0 +/- 0.2)% of reconstructed signal intensity while discarding (97.8 +/- 0.1)% of the image area, with ~25 ms per-frame inference time on a consumer GPU. Second, we report a weakly supervised application of the Classification Without Labels (CWoLa) framework to data acquired with an Americium--Beryllium neutron source. Using only mixed AmBe and standard datasets (no event-level labels), a convolutional classifier learns to identify nuclear-recoil-like topologies. The achieved performance approaches the theoretical limit imposed by the mixture composition and isolates a high-score population with compact, approximately circular morphologies consistent with nuclear recoils.
• Abstract（参考訳）: CYGNO実験では、光学読み取り時間投影室(TPC)を用いて、微細なシンチレーション画像を用いて希少な低エネルギー相互作用を探索する。 光学的読み出しは豊富なトポロジカル情報を提供するが、リアルタイムトリガ、データリダクション、背景の識別に挑戦する大小のメガピクセル画像を生成する。 CYGNO内で開発された2つの補完的機械学習アプローチを要約する。 まず、再構成に基づく異常検出に基づくオンラインデータ削減のための、高速かつ完全に教師なしの戦略を提案する。 台座画像のみに特化して訓練された畳み込みオートエンコーダ(すなわち、GEM増幅無効化で取得したフレーム)は、検出器ノイズ形態を学習し、局所的再構成残差を通して粒子誘起構造をハイライトし、そこからコンパクトな興味領域(ROI)を抽出する。 実際のプロトタイプデータでは、選択された構成は、イメージ領域の(97.8 +/-0.1)%を捨てながら、再構成された信号強度の(93.0 +/-0.2)%を保持し、コンシューマGPUではフレーム当たり25msである。 第2に、アメリシウム-ベリリウム中性子源で得られたデータに対して、分類不要ラベル(CWoLa)フレームワークを弱監督的に適用したことを報告した。 AmBeと標準データセット(イベントレベルラベルなし)のみを使用して、畳み込み分類器は、核再コイルのようなトポロジーを識別する。 達成された性能は、混合合成によって課される理論上の限界に近づき、核再コイルと整合したコンパクトな概円形状を持つ高音域の個体群を分離する。

関連論文リスト

• A Contrastive Pre-trained Foundation Model for Deciphering Imaging Noisomics across Modalities [21.574587733837973]
  ノイズ(Noisomics)とは、抑圧から体系的なノイズデコーディングへ焦点を移すフレームワークである。 CoPはコントラスト学習を用いて摂動から意味的信号を解き放つ。 CoPは従来のディープラーニングスケーリングの法則を破り、100のトレーニングサンプルだけで優れたパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2026-01-21T02:52:34Z)
• Fast reconstruction-based ROI triggering via anomaly detection in the CYGNO optical TPC [0.0]
  高速な関心領域抽出のための教師なし・再構成に基づく異常検出戦略を提案する。 学習目的のみが異なる2つの台座学習オートエンコーダ構成を比較した。 最良の構成は、画像領域を破棄する(97.8 +/-0.1)%で再構成された信号強度の(93.0 +/-0.2)%を保持し、コンシューマGPUでは1フレームあたり約25msである。
  論文  参考訳（メタデータ） (2025-12-30T15:28:18Z)
• SemiETPicker: Fast and Label-Efficient Particle Picking for CryoET Tomography Using Semi-Supervised Learning [10.415301702950376]
  ラベルのないCryoETデータを利用する高速なラベル効率半教師付きフレームワークを提案する。 本フレームワークは,キーポイント検出にインスパイアされたエンド・ツー・エンドのヒートマップ監視検出モデルと,スパースラベリング条件下での性能を高める教師と学生の協調学習機構の2つのコンポーネントから構成される。
  論文  参考訳（メタデータ） (2025-10-25T23:09:22Z)
• Knowledge-Informed Neural Network for Complex-Valued SAR Image Recognition [51.03674130115878]
  本稿では,新しい「圧縮集約圧縮」アーキテクチャ上に構築された軽量なフレームワークであるKnowledge-Informed Neural Network(KINN)を紹介する。 KINNはパラメータ効率の認識における最先端を確立し、データスカースとアウト・オブ・ディストリビューションのシナリオにおいて例外的な一般化を提供する。
  論文  参考訳（メタデータ） (2025-10-23T07:12:26Z)
• Synthetic Image Detection via Spectral Gaps of QC-RBIM Nishimori Bethe-Hessian Operators [0.0]
  本稿では,スパース重み付きグラフ上でのコミュニティ検出問題として,合成画像識別を扱うモデル非依存検出器を提案する。 Flickr-Faces-HQ と CelebA の実際の写真と、GAN と拡散モデルにより生成された合成写真を用いて、猫対犬対男性対女性対バイナリタスクのアプローチを検証する。 我々の貢献は、深部画像の特徴を埋め込んだ新しいLDPCグラフ構築、西森温度RBIMとベーテ・ヘッセンスペクトル間の解析的リンク、新しい生成アーキテクチャに頑健な実用的で教師なしの合成画像検出器である。
  論文  参考訳（メタデータ） (2025-08-27T09:06:53Z)
• Deep Learning Based Speckle Filtering for Polarimetric SAR Images. Application to Sentinel-1 [51.404644401997736]
  本稿では、畳み込みニューラルネットワークを用いて偏光SAR画像のスペックルを除去するための完全なフレームワークを提案する。 実験により,提案手法はスペックル低減と分解能保存の両方において例外的な結果をもたらすことが示された。
  論文  参考訳（メタデータ） (2024-08-28T10:07:17Z)
• SIRST-5K: Exploring Massive Negatives Synthesis with Self-supervised Learning for Robust Infrared Small Target Detection [53.19618419772467]
  単一フレーム赤外線小ターゲット検出(SIRST)は、乱雑な背景から小さなターゲットを認識することを目的としている。 Transformerの開発に伴い、SIRSTモデルのスケールは常に増大している。 赤外線小ターゲットデータの多彩な多様性により,本アルゴリズムはモデル性能と収束速度を大幅に改善する。
  論文  参考訳（メタデータ） (2024-03-08T16:14:54Z)
• Enhanced Sharp-GAN For Histopathology Image Synthesis [63.845552349914186]
  病理組織像合成は、正確ながん検出のためのディープラーニングアプローチの訓練において、データ不足の問題に対処することを目的としている。 核トポロジと輪郭正則化を用いて合成画像の品質を向上させる新しい手法を提案する。 提案手法は、Sharp-GANを2つのデータセット上の4つの画像品質指標すべてで上回る。
  論文  参考訳（メタデータ） (2023-01-24T17:54:01Z)
• Regularization by Denoising Sub-sampled Newton Method for Spectral CT Multi-Material Decomposition [78.37855832568569]
  スペクトルctを用いたマルチマテリアル画像再構成のためのモデルベース最大後課題の解決法を提案する。 特に,プラグイン画像復号化機能に基づく正規化最適化問題について提案する。 スペクトルct材料分解の数値的および実験的結果を示す。
  論文  参考訳（メタデータ） (2021-03-25T15:20:10Z)
• Residual-Sparse Fuzzy $C$-Means Clustering Incorporating Morphological Reconstruction and Wavelet frames [146.63177174491082]
  Fuzzy $C$-Means (FCM)アルゴリズムは、形態的再構成操作とタイトウェーブレットフレーム変換を組み込んでいる。 特徴集合とその理想値の間の残差に対して$ell_0$正規化項を付与することにより、改良されたFCMアルゴリズムを提案する。 合成, 医用, カラー画像に対する実験結果から, 提案アルゴリズムは効率的かつ効率的であり, 他のアルゴリズムよりも優れていた。
  論文  参考訳（メタデータ） (2020-02-14T10:00:03Z)

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。