論文の概要: Machine Learning methods for event classification and vertex reconstruction of the 12C + 12C reaction with the MATE-TPC

• arxiv url: http://arxiv.org/abs/2605.28296v1
• Date: Wed, 27 May 2026 10:46:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:55.985237
• Title: Machine Learning methods for event classification and vertex reconstruction of the 12C + 12C reaction with the MATE-TPC
• Title（参考訳）: MATE-TPCを用いた12C+12C反応の事象分類と頂点再構成のための機械学習手法
• Authors: Minghui Zhang, Xiaobin Li, Jie Chen, Ningtao Zhang, Fenhua Lu, Junrui Ma, Jiazhen Yan, Wanqin Tu, Xiaodong Tang, Bingshui Gao, Chengui Lu, Zhichao Zhang, Jinlong Zhang, Weiping Liu,
• Abstract要約: この研究では、機械学習技術を用いて、MATEという名前のTPCから12C + 12C核融合反応の複雑なデータを分析する。 残留ニューラルネットワーク (ResNet-50, ResNet-34, ResNet-18) とVisual Geometry Group (VGG-19) を用いて, 12C+12C反応による弾性散乱および核融合反応を分類した。 4つのモデルの分類結果はほぼ同一であり、シミュレーションデータでは約97%、実験データでは90%である。
• 参考スコア（独自算出の注目度）: 15.385842809608599
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In modern nuclear physics experiments, identifying events of interest is challenging for nuclear reaction studies with the active target Time Projection Chamber (TPC). In this work, machine learning techniques are employed to analyze the complex data of the 12C + 12C fusion reaction from a TPC named MATE (multi-purpose active-target time projection chamber for nuclear experiments). Specifically, we successfully applied Residual Neural Network (ResNet-50, ResNet-34 and ResNet-18) and Visual Geometry Group (VGG-19) to classify elastic scattering and fusion reaction events from the 12C + 12C reaction. The classification results of the four models are nearly identical, with accuracies of approximately 97% for the simulated data and 90% for the experimental data. Moreover, these approaches successfully identify some events that are misclassified by traditional methods. These models are also applied to classify events from different fusion reaction channels, with classification accuracies of approximately 95% on simulated data. In addition, a Convolutional Neural Network (CNN) model is developed to reconstruct the reaction vertex, providing an alternative strategy for vertex reconstruction. These results indicate that machine learning techniques can effectively classify reaction events from different channels and reconstruct the reaction vertex, thereby paving the way for future analyses of complex nuclear reaction data.
• Abstract（参考訳）: 現代の核物理学実験では、関心事の特定は、アクティブターゲットの時間射影チャンバー(TPC)を用いた核反応の研究において困難である。 この研究では、MATE(Multi-purpose active-target time projection chamber for nuclear experiment)と呼ばれるTPCから12C + 12C核融合反応の複雑なデータを分析するために機械学習技術が用いられている。 具体的には、12C+12C反応による弾性散乱および核融合反応イベントを分類するために、Resdual Neural Network (ResNet-50, ResNet-34, ResNet-18) と Visual Geometry Group (VGG-19) をうまく適用した。 4つのモデルの分類結果はほぼ同一であり、シミュレーションデータでは約97%、実験データでは90%である。 さらに、これらの手法は、伝統的な方法によって誤って分類されたいくつかの事象を特定することに成功している。 これらのモデルはまた、異なる核融合反応経路から事象を分類するためにも適用され、シミュレーションデータに対して約95%の精度で分類される。 さらに、畳み込みニューラルネットワーク(CNN)モデルを開発し、反応頂点を再構成し、頂点再構成の代替戦略を提供する。 これらの結果から, 機械学習技術は, 異なるチャネルからの反応事象を効果的に分類し, 反応頂点を再構築し, 複雑な核反応データの今後の分析の道を開くことが示唆された。

関連論文リスト

• A Pre-trained Reaction Embedding Descriptor Capturing Bond Transformation Patterns [4.8838428804671326]
  本研究は、RXNGraphormer由来の新規な反応レベル記述子であるRXNEmbを紹介する。 我々は、USPTO-50kデータセットをデータ駆動で再クラスタ化することで、その実用性を実証する。 RXNEmbは、反応のフィンガープリントと分析のための強力で解釈可能なツールとして機能する。
  論文  参考訳（メタデータ） (2026-01-07T08:24:08Z)
• Surface Stability Modeling with Universal Machine Learning Interatomic Potentials: A Comprehensive Cleavage Energy Benchmarking Study [0.0]
  機械学習の原子間ポテンシャル(MLIP)は計算材料科学に革命をもたらした。 これらの普遍的なMLIPがいかにエネルギーの切断を予測できるかを体系的な評価は行われていない。 クリーンエネルギー予測のための19種類の最先端のUMLIPのベンチマークを示す。
  論文  参考訳（メタデータ） (2025-08-29T14:24:47Z)
• CLEAR: Conv-Like Linearization Revs Pre-Trained Diffusion Transformers Up [64.38715211969516]
  CLEARと呼ばれる畳み込み型ローカルアテンション戦略を導入し,各クエリトークンの周囲のローカルウィンドウに特徴的インタラクションを限定する。 実験により,10K反復で10Kの自己生成サンプルに注意層を微調整することにより,事前学習したDiTから線形複雑度のある学生モデルへの知識伝達を効果的に行うことができた。
  論文  参考訳（メタデータ） (2024-12-20T17:57:09Z)
• Learning Chemical Reaction Representation with Reactant-Product Alignment [50.28123475356234]
  RAlignは、様々な有機反応関連タスクのための新しい化学反応表現学習モデルである。 反応物質と生成物との原子対応を統合することにより、反応中に起こる分子変換を識別する。 モデルが重要な機能群に集中できるように,反応中心認識型アテンション機構を導入する。
  論文  参考訳（メタデータ） (2024-11-26T17:41:44Z)
• ReactAIvate: A Deep Learning Approach to Predicting Reaction Mechanisms and Unmasking Reactivity Hotspots [4.362338454684645]
  我々は,反応ステップ分類の精度を96%とほぼ均一に達成した,解釈可能な注意に基づくGNNを開発した。 我々のモデルは、配布外クラスからでも、キー原子を十分に識別します。 この一般性は、モジュラーな方法で新しい反応型を包含することができるため、新しい分子の反応性を理解するための専門家にとって価値がある。
  論文  参考訳（メタデータ） (2024-07-14T05:53:18Z)
• 3DReact: Geometric deep learning for chemical reactions [35.38031930589095]
  反応物質と生成物の3次元構造から反応特性を予測する3DReactについて述べる。 反応特性予測の既存のモデルと比較して、3DReactは原子マッピング情報を利用する柔軟なフレームワークを提供する。 異なるデータセット、原子をマッピングするレシエーション、およびジオメトリと外挿タスクの両方にわたって、体系的にうまく機能する。
  論文  参考訳（メタデータ） (2023-12-13T17:26:54Z)
• 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)
• Reactmine: a search algorithm for inferring chemical reaction networks from time series data [0.0]
  時系列データから化学反応ネットワーク(CRN)を推定することは、細胞レベルでの定量的時間的データの増加によって促進される課題である。 本稿では, 境界深さの探索木内に連続的に反応を推論することにより, 空間性を向上させるCRN学習アルゴリズムであるReactmineを提案する。 我々は、SINDyが失敗する隠れCRNを検索することで、Reactmineがシミュレーションデータに成功し、以前の研究と一致して反応を推測することで、2つの実際のデータセットに成功していることを示す。
  論文  参考訳（メタデータ） (2022-09-07T14:30:33Z)
• DriPP: Driven Point Processes to Model Stimuli Induced Patterns in M/EEG Signals [62.997667081978825]
  我々はDriPPと呼ばれる新しい統計点過程モデルを開発する。 我々は、このモデルのパラメータを推定するために、高速で原理化された予測最大化(EM)アルゴリズムを導出する。 標準MEGデータセットの結果から,我々の手法が事象関連ニューラルレスポンスを明らかにすることが示された。
  論文  参考訳（メタデータ） (2021-12-08T13:07:21Z)
• Graph Neural Networks for the Prediction of Substrate-Specific Organic Reaction Conditions [79.45090959869124]
  有機化学反応をモデル化するために,グラフニューラルネットワーク(GNN)を用いた系統的研究を行った。 実験試薬と条件の識別に関わる分類タスクに対して、7つの異なるGNNアーキテクチャを評価した。
  論文  参考訳（メタデータ） (2020-07-08T17:21:00Z)

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。