論文の概要: Automated Physics-Informed Neural-Networks-Based Calibration of Highly Segmented Silicon Telescopes

• arxiv url: http://arxiv.org/abs/2609.20868v1
• Date: Tue, 15 Sep 2026 12:37:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:16.726795
• Title: Automated Physics-Informed Neural-Networks-Based Calibration of Highly Segmented Silicon Telescopes
• Title（参考訳）: 高セグメンテーションシリコン望遠鏡の物理インフォームニューラルネットワークによる自動校正
• Abstract要約: 検出器アレイのためのニューラルネットワークに基づく、完全に自動化された物理インフォームドキャリブレーションフレームワークを提案する。 この方法は、検出器ゲインと幾何補正を同時に決定する大域最適化問題としてキャリブレーションを定式化する。 特筆すべき特徴は、複数のニューラルネットワークサブモデルを使用して、共通損失関数を埋め込み物理制約で共有することである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Transfer and multi-nucleon transfer reactions are essential tools for probing nuclear structure and reaction dynamics, requiring precise determination of the identity, energy, and emission angles of reaction products. The increasing granularity of modern silicon telescope arrays enhances experimental capabilities but challenges detector calibration, as conventional channel-by-channel approaches become inefficient and difficult to scale. In this work, we present a fully automated, physics-informed calibration framework based on neural networks, specifically designed for highly segmented silicon detector arrays. The method formulates calibration as a global optimization problem, in which detector gains and geometrical corrections are determined simultaneously by minimizing the width of the reconstructed excitation energy under two-body kinematics constraints. The approach relies exclusively on experimental data and well-established physical principles, without requiring explicit modeling of detector response. A distinctive feature is the use of multiple neural network sub-models sharing a common loss function with embedded physics constraints, enabling coherent and self-consistent calibration across all detector channels. This strategy ensures scalability, robustness, and reproducibility, making it particularly suitable for next-generation detector systems with increasing complexity. The performance of the method is demonstrated using experimental data from the Particle-Identification Silicon-Telescope Array (PISTA) in high-resolution fission studies in inverse kinematics. The results show excellent agreement with theoretical kinematics, high-quality particle identification, and a significant improvement in calibration efficiency. The proposed framework provides a general and adaptable solution for the calibration of complex detector systems in modern nuclear physics experiments.
• Abstract（参考訳）: 転移と多核子移動反応は核構造や反応力学を解明するための重要な道具であり、反応生成物のアイデンティティ、エネルギー、放出角を正確に決定する必要がある。 現代のシリコン望遠鏡アレイの粒度の増大は実験能力を高めるが、従来のチャネル・バイ・チャンネルのアプローチが非効率でスケールが難しいため、検出器の校正に挑戦する。 本研究では、ニューラルネットワークに基づく完全に自動化された物理インフォームドキャリブレーションフレームワークを提案する。 この方法は,2体キネマティクス制約下での再構成励起エネルギーの幅を最小化することにより,検出器ゲインと幾何補正を同時に決定する大域的最適化問題としてキャリブレーションを定式化する。 このアプローチは、検出器応答の明示的なモデリングを必要とせず、実験データと十分に確立された物理原理にのみ依存する。 特筆すべき特徴は、共通の損失関数を埋め込んだ物理制約で共有する複数のニューラルネットワークサブモデルを使用することで、すべての検出器チャネルをまたいだ一貫性と自己一貫性のキャリブレーションを可能にすることである。 この戦略はスケーラビリティ、堅牢性、再現性を保証し、複雑さを増す次世代検出器システムに特に適している。 逆運動学における高分解能フィッション研究におけるPISTA(Particle-Identification Silicon-Telescope Array)の実験データを用いて,本手法の性能を実証した。 その結果, 理論力学, 高品質粒子識別, キャリブレーション効率の大幅な向上が得られた。 提案したフレームワークは、現代の核物理学実験において複雑な検出器システムの校正のための汎用的で適応可能なソリューションを提供する。

関連論文リスト

• An Iterative Dual-Channel Neural Quantum State Algorithm for Selected Configuration Interaction [3.013377814843082]
  我々は,古典的に訓練された自己回帰型変圧器ニューラル量子状態を,サンプルベース量子対角化の繰り返しサンプル-対角化-更新フレームワークに組み込むHandover Iterative Neural Quantum State (HI-NQS)アルゴリズムを導入する。 HI-NQSは試験された全てのシステムに対して化学的精度を達成し、最小の活性空間を除いて、従来の CIPSI ベースの SCI よりもかなり有利である。
  論文  参考訳（メタデータ） (2026-06-25T08:47:04Z)
• End-to-end Differentiable Calibration and Reconstruction for Optical Particle Detectors [0.0]
  実験物理学における分析は、センサーレベルの情報を物理量の興味に翻訳する高忠実度シミュレータに依存している。 両端から端までの微分可能な光粒子検出器シミュレータを試作し,同時校正と再構成を実現した。 提案手法は,従来は別の問題として扱われてきたシミュレーション,キャリブレーション,トラッキングを,単一の微分可能なフレームワークで実現している。
  論文  参考訳（メタデータ） (2026-02-27T16:06:08Z)
• Accurate Ab-initio Neural-network Solutions to Large-Scale Electronic Structure Problems [52.19558333652367]
  有限範囲埋め込み(FiRE)を高精度なアブ・イニシアチブ電子構造計算に応用する。 FiREは、ニューラルネットワークの変異モンテカルロ(NN-VMC)の複雑さを$sim ntextel$, the number of electronsによって低減する。 バイオケミカル化合物や有機金属化合物など,様々な課題に対して,本手法の精度を検証した。
  論文  参考訳（メタデータ） (2025-04-08T14:28:54Z)
• Solving reaction dynamics with quantum computing algorithms [42.408991654684876]
  線形応答によって支配される異なる反応を記述することに関連する応答関数の量子アルゴリズムについて検討する。 我々は原子核物理学の応用に焦点をあて、格子上の量子ビット効率のマッピングを検討し、現実的な散乱シミュレーションに必要な大量の量を効率的に表現することができる。
  論文  参考訳（メタデータ） (2024-03-30T00:21:46Z)
• Label-free timing analysis of SiPM-based modularized detectors with physics-constrained deep learning [9.234802409391111]
  モジュール化検出器のタイミング解析のためのディープラーニングに基づく新しい手法を提案する。 本稿では,提案手法が求める最適関数の存在を数学的に証明し,モデルのトレーニングと校正のための体系的アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-04-24T09:16:31Z)
• Retrieving space-dependent polarization transformations via near-optimal quantum process tomography [55.41644538483948]
  トモグラフィー問題に対する遺伝的および機械学習アプローチの適用について検討する。 ニューラルネットワークベースのスキームは、リアルタイムにキャラクタリゼーションを必要とするアプリケーションにおいて、重要なスピードアップを提供する。 これらの結果は、より一般的な量子プロセスにおけるトモグラフィーアプローチの最適化の基礎となることを期待する。
  論文  参考訳（メタデータ） (2022-10-27T11:37:14Z)
• Disentangling multiple scattering with deep learning: application to strain mapping from electron diffraction patterns [48.53244254413104]
  我々は、高非線形電子回折パターンを定量的構造因子画像に変換するために、FCU-Netと呼ばれるディープニューラルネットワークを実装した。 結晶構造の異なる組み合わせを含む20,000以上のユニークな動的回折パターンを用いてFCU-Netを訓練した。 シミュレーションされた回折パターンライブラリ、FCU-Netの実装、訓練されたモデルの重み付けは、オープンソースリポジトリで自由に利用可能です。
  論文  参考訳（メタデータ） (2022-02-01T03:53:39Z)
• Using Machine Learning to Speed Up and Improve Calorimeter R&D [0.7106986689736827]
  物理性能の評価を遅くする2つの典型的な問題は、特にカロリー検出器技術や構成に対するアプローチである。 本稿では,検出器開発および最適化サイクルの精度向上と高速化を目的とした,高度な機械学習技術の利用について論じる。
  論文  参考訳（メタデータ） (2020-03-27T14:44:46Z)

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。