論文の概要: From raw data to neutrino candidates: a neural-network pipeline for Baikal-GVD

• arxiv url: http://arxiv.org/abs/2605.11176v1
• Date: Mon, 11 May 2026 19:38:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.388863
• Title: From raw data to neutrino candidates: a neural-network pipeline for Baikal-GVD
• Title（参考訳）: 生データからニュートリノ候補へ:Baikal-GVDのためのニューラルネットワークパイプライン
• Authors: A. Matseiko, G. Plotnikov, I. Kharuk,
• Abstract要約: ニューラルネットワークに基づくBaikal-GVDのためのデータ処理パイプラインを提案する。 イベントリコンストラクションの品質を改善し、ニュートリノ候補の選択を加速するように設計されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: We present a neural-network-based data processing pipeline for Baikal-GVD, designed to improve event reconstruction quality and accelerate neutrino candidates selection. The pipeline comprises three stages: fast suppression of extensive air shower events, suppression of noise optical modules activations, and extraction of high confidence neutrino candidates. All three networks employ a transformer architecture that exploits inter-hit correlations through the attention mechanism. Applied sequentially, the pipeline achieves orders-of-magnitude speedup over the standard reconstruction chain. Moreover, noise suppression neural network surpasses the accuracy of algorithmic noise suppression algorithms and provides estimate for time residuals of the signal hits, which is crucial for identification of track-like hits. We address the domain shift between Monte Carlo simulations and experimental data by incorporating a domain adaptation technique, demonstrating improved agreement between the two domains. The resulting framework enables near-real-time event classification, with direct applications to multi-messenger alert systems and diffuse neutrino flux measurements.
• Abstract（参考訳）: 本稿では,Baikal-GVDのためのニューラルネットワークベースのデータ処理パイプラインを提案する。 パイプラインは、広範囲にわたるエアシャワーイベントの高速抑制、ノイズ光学モジュールのアクティベーションの抑制、高信頼ニュートリノ候補の抽出の3段階からなる。 これら3つのネットワークは、アテンション機構を通じてヒット間相関を利用するトランスフォーマーアーキテクチャを採用している。 逐次適用されたパイプラインは、標準的な再構成チェーン上でのオーダー・オブ・マグニチュード・スピードアップを実現する。 さらに、ノイズ抑圧ニューラルネットワークはアルゴリズムによるノイズ抑圧アルゴリズムの精度を超越し、信号ヒットの時間残差を推定する。 本稿では,モンテカルロシミュレーションと実験データ間の領域シフトを,ドメイン適応手法を取り入れ,両領域間の整合性の向上を示す。 結果として得られるフレームワークは、準リアルタイムイベント分類を可能にし、マルチセンサー警告システムや拡散ニュートリノフラックス測定に直接適用することができる。

関連論文リスト

• NVRNet: Deep Learning Model for Fast Nitrogen Vacancy Characterization under Room Temperature [2.6383100880758663]
  NVRNetは物理インフォームド・シミュレーション・トゥ・リアリティー・パイプラインである。 これは、ノイズの多いラムゼイ光発光跡の高速な取得をノイズ化された波形にマッピングする。 これは超微細結合を環境中の13mathrmC$スピンに推定する。
  論文  参考訳（メタデータ） (2026-03-14T22:20:57Z)
• RSS map-assisted MIMO channel estimation in the upper mid-band under pilot constraints [10.076629346147639]
  本稿では,モデルに基づくチャネル推定とディープネットワークを組み合わせた新しい物理インフォームドニューラルネットワーク(PINN)フレームワークを提案する。 最先端の手法と比較して、NMSEでは5dB以上のゲインを達成している。 多段階の時間予測のためにデコーダを拡張し、単一の推定値から将来の複数のチャネルスナップショットの正確な予測を可能にする。
  論文  参考訳（メタデータ） (2026-02-18T17:41:20Z)
• Neuromorphic Wireless Split Computing with Resonate-and-Fire Neurons [69.73249913506042]
  本稿では、共振器(RF)ニューロンを用いて時間領域信号を直接処理する無線スプリットコンピューティングアーキテクチャについて検討する。 可変周波数で共鳴することにより、RFニューロンは低スパイク活性を維持しながら時間局在スペクトル特徴を抽出する。 実験の結果,提案したRF-SNNアーキテクチャは従来のLIF-SNNやANNと同等の精度を達成できることがわかった。
  論文  参考訳（メタデータ） (2025-06-24T21:14:59Z)
• Range and Angle Estimation with Spiking Neural Resonators for FMCW Radar [16.91912935835324]
  自動車レーダーシステムは、高いサンプリングレートと大規模なデータ帯域幅を管理するという課題に直面している。 ニューロモルフィックコンピューティングは、その固有のエネルギー効率と並列処理能力のために、有望なソリューションを提供する。 本研究では、周波数変調連続波レーダ(FMCW)の信号処理のための新しいスパイキングニューロンモデルを提案する。
  論文  参考訳（メタデータ） (2025-03-02T13:51:03Z)
• Physics-informed neural networks for gravity currents reconstruction from limited data [0.0]
  本研究では, 物理インフォームドニューラルネットワーク(PINN)を用いた非定常重力電流の3次元再構成について検討した。 PINNコンテキストでは、目的関数がネットワーク予測と観測データとのミスマッチをペナルティ化するニューラルネットワークをトレーニングすることにより、フローフィールドを再構築する。
  論文  参考訳（メタデータ） (2022-11-03T11:27:29Z)
• Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
  本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。 次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2022-10-21T07:25:57Z)
• Deep Learning-Based Synchronization for Uplink NB-IoT [72.86843435313048]
  狭帯域モノのインターネット(NB-IoT)における狭帯域物理ランダムアクセスチャネル(NPRACH)のデバイス検出と到着時刻推定のためのニューラルネットワーク(NN)に基づくアルゴリズムを提案する。 導入されたNNアーキテクチャは、残余の畳み込みネットワークと、5Gニューラジオ(5G NR)仕様のプリアンブル構造に関する知識を利用する。
  論文  参考訳（メタデータ） (2022-05-22T12:16:43Z)
• Deep Impulse Responses: Estimating and Parameterizing Filters with Deep Networks [76.830358429947]
  高雑音および地中設定におけるインパルス応答推定は難しい問題である。 本稿では,ニューラル表現学習の最近の進歩に基づいて,インパルス応答のパラメータ化と推定を行う新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-07T18:57:23Z)
• SignalNet: A Low Resolution Sinusoid Decomposition and Estimation Network [79.04274563889548]
  本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。 基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。 シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
  論文  参考訳（メタデータ） (2021-06-10T04:21:20Z)
• PILOT: Introducing Transformers for Probabilistic Sound Event Localization [107.78964411642401]
  本稿では,受信したマルチチャンネル音声信号の時間的依存性を自己アテンション機構によってキャプチャする,トランスフォーマーに基づく新しい音声イベント定位フレームワークを提案する。 このフレームワークは, 公開されている3つの音声イベントローカライズデータセットを用いて評価し, 局所化誤差と事象検出精度の点で最先端の手法と比較した。
  論文  参考訳（メタデータ） (2021-06-07T18:29:19Z)

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。