Event Reconstruction for a DIRC
V. Kyryanchuk, H. Machner, R. Siudak, J. Ritman
在COSY的WASA探测器上对可能的DIRC进行了蒙特卡罗模拟。本文提出了一种模式识别的统计方法，并讨论了可能达到的角度分辨率和速度精度。
Monte Carlo simulations were made for a possible DIRC at the WASA detector at COSY. A statistical method for pattern recognition is presented and the possible angle resolution and velocity precision achieved are discussed.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
继续探索
FastDIRC: a fast Monte Carlo and reconstruction algorithm for DIRC detectors
FastDIRC是一种新的快速蒙特卡罗和DIRC探测器重建算法。DIRC采用矩形熔融石英棒作为切伦科夫辐射器和光导。DIRC利用切伦科夫光子成像和传播时间信息来识别带电粒子。基于GEANT的DIRC蒙特卡罗模拟非常占用CPU。FastDIRC算法允许完全模拟DIRC探测器，比使用GEANT快10000倍以上。这有助于设计一种DIRC重建算法，与现有算法相比，该算法将DIRC检测器的切伦科夫角分辨率提高了约30%。FastDIRC还大大减少了研究竞争DIRC探测器设计所需的时间。
Application of a Mixture of Experts-based Foundation Model to the GlueX DIRC Detector
本文提出了一种基于混合专家的基础模型，用于GlueX DIRC探测器的快速模拟、粒子识别和击级噪声过滤，展示了其作为统一框架的实用性。
Deep(er) Reconstruction of Imaging Cherenkov Detectors with Swin Transformers and Normalizing Flow Models
本研究提出Deep(er)RICH方法，结合层级Swin Transformer与归一化流，改进了DIRC等切伦科夫探测器的粒子鉴别速度与精度，首次实现快速准确模拟，解决光子传输模拟瓶颈，可支撑EIC等前沿实验。
Deep Learning the Effects of Photon Sensors on the Event Reconstruction Performance in an Antineutrino Detector
我们提供了一种快速的方法，结合深度学习的使用，用于评估反中微子探测器中的光子传感器对事件重建性能的影响。这项工作试图利用深度学习的力量进行探测器设计和升级规划。以大亚湾核电站探测器为基准，以深度神经网络的顶点重构性能为目标，研究发现不同的光电倍增管（PMT）对顶点重构的相对重要性不同。更重要的是，大亚湾探测器的顶点位置分辨率与光电倍增管的数量以及覆盖范围近似呈多指数关系。这也有助于决定为未来的探测器计划安装更多PMT的优点。该方法可以很容易地用于其他目标的顶点重建的地方。
The purpose of this work is to examine the application of a deep learning model in event reconstruction of neutrino interactions. The challenges faced in event reconstruction include the placement of an accurate primary neutrino interaction vertex which is used to support the particle track and prong algorithms. The result of accurate primary vertex ensures all particles involved in a neutrino interaction are included. We propose a regression-based Convolutional Neural Network (CNN) method to predict the primary vertex of a particle interaction. We show that with raw two-dimensional pixel map …
Applying Bayesian Neural Networks to Event Reconstruction in Reactor Neutrino Experiments
本文设计了一个玩具探测器来模拟反应堆中微子实验中的中心探测器。分别用贝叶斯神经网络（BNN）和标准算法极大似然法（MLD）对玩具探测器的蒙特卡罗模拟得到的电子样本进行了重构。将BNN与MLD的事件重建结果进行了比较。与MLD相比，BNN的电子顶点的不确定性没有得到改善，但能量分辨率得到了显着提高。并且对于高能电子，这种改善比低能电子更明显。
Detector-aware target definitions for full-event particle reconstruction
针对基于机器学习的粒子重建中目标定义忽视探测器几何与分辨率导致训练歧义的问题，提出探测器感知目标定义方法，利用基于单元能量共享的击中合并算法构建目标，提升重建性能与模型鲁棒性。
Scalable Multi-Task Learning for Particle Collision Event Reconstruction with Heterogeneous Graph Neural Networks
本文提出了一种异构图神经网络架构，用于可扩展的多任务学习，以提高粒子碰撞事件重建的效率和准确性。
GraphNeT is an open-source python framework aimed at providing high quality, user friendly, end-to-end functionality to perform reconstruction tasks at neutrino telescopes using graph neural networks (GNNs). GraphNeT makes it fast and easy to train complex models that can provide event reconstruction with state-of-the-art performance, for arbitrary detector configurations, with inference times that are orders of magnitude faster than traditional reconstruction techniques. GNNs from GraphNeT are flexible enough to be applied to data from all neutrino telescopes, including future projects such a…
Pattern Recognition and Event Reconstruction in Particle Physics Experiments
本文综述了现代高能物理实验中的模式识别和事件重构方法。在简要介绍了粒子探测器和统计评价的基本概念后，对轨道模式识别的全局和局部方法进行了评述，指出了各自的优缺点。然后，重点转移到方法，估计粒子的特性，从模式识别相关的信号。最后，简要讨论了事件的全球重建。
A novel String Banana Template Method for Tracks Reconstruction in High Multiplicity Events with significant Multiple Scattering and its Firmware Implementation
提出了一种新的弦香蕉模板法（SBTM），并将其应用于相对论重离子碰撞事件的离线分析。该方法的主要思想是利用三重符合选择的航迹集合的特征。采用两步航迹模型：第一步-在选定的集合上平均，第二步-每个事件相关。它考虑了该特定轨迹的多重散射（MS）。SBTM依赖于使用由精确的蒙特卡罗模拟生成的存储模板，因此对于2D光谱仪的情况，它更省时。在如此困难的条件下进行轨道重建所需的所有数据都可以以方便的格式准备，以便快速使用。其基于模板的性质和SBTM跟踪模型实际上非常接近命中的事实意味着它可以在固件处理器中实现。在这份报告中，提出了一个基于固件的预处理器的框图，用于在CMS类硅跟踪器的轨道重建。
Novel String Banana Template Method of Track Reconstruction for high Multiplicity Events with Significant Multiple Scattering
本文介绍了一种新的弦香蕉模板法（SBTM），用于非均匀磁场谱仪中高多重数事例的径迹重建，重点是具有显著多重散射（MS）的最低动量径迹。引入了考虑MS的附加参数/s的两步轨道模型。SBTM是一种时间效率高的方法，并且比另一种等效于最小二乘法（LSM）的方法具有更好的分辨率。
Improved particle-flow event reconstruction with scalable neural networks for current and future particle detectors
针对高粒度探测器，提出可扩展神经网络（图神经网络与Transformer）实现粒子流重建，避免二次复杂度，最佳模型将喷注横动量分辨率提升达50%，且跨硬件可移植。
Reconstructing the position of an interaction for any dual-phase time projection chamber (TPC) with the best precision is key to directly detecting Dark Matter. Using the likelihood-free framework, a new algorithm to reconstruct the 2-D (x; y) position and the size of the charge signal (e) of an interaction is presented. The algorithm uses the charge signal (S2) light distribution obtained by simulating events using a waveform generator. To deal with the computational effort required by the likelihood-free approach, we employ the Bayesian Optimization for Likelihood-Free Inference (BOLFI) algo…
Spatial methods for event reconstruction in CLEAN
在CLEAN（Cryogenic Low Energy Astrophysics with Noble Gases）中，如果能够以高精度确定电离辐射事件的位置，则背景鉴别是可能的。CLEAN是一种建议的中微子和暗物质探测器。我们模拟电离辐射事件，产生多个闪烁光子内充满液体氖的球形检测体积。我们估计一个特定的电离辐射事件的径向位置的基础上观察到的计数数据对应于该事件。计数数据由安装在检测体积的球形边界处的检测器收集。我们忽略吸收，但考虑瑞利散射。为了解释闪烁光的波长漂移，我们假设光子在探测器处被吸收并重新发射。在这里，我们开发了空间极大似然方法的事件重建，并研究其性能在计算机模拟实验。我们还研究了一种基于观测计数数据质心的方法。我们根据训练数据校准我们的估计。
We present a deep learning approach for vertex reconstruction of neutrino-nucleus interaction events, a problem in the domain of high energy physics. In this approach, we combine both energy and timing data that are collected in the MINERvA detector to perform classification and regression tasks. We show that the resulting network achieves higher accuracy than previous results while requiring a smaller model size and less training time. In particular, the proposed model outperforms the state-of-the-art by 4.00% on classification accuracy. For the regression task, our model achieves 0.9919 on t…
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈
发表机构由 AI 从论文文本抽取，如发现错误，欢迎反馈修正建议。