Double Calorimetry System in JUNO
江门地下中微子观测站（JUNO）是一个多用途的中微子振荡实验站，在700米深的地下安装了一个2万吨级液体闪烁探测器，其能量分辨率为3%，能量分辨率为1 MeV。中央检测器中有约18，000个20英寸光电倍增管（PMT），光学覆盖率大于75%。控制系统的能量响应是至关重要的存档设计的能量分辨率，以及达到1%的精度的绝对能量标度。在这样一个大的检测器，这是一个挑战，单通道电荷测量的反应堆反中微子能量范围内，在每个PMT中检测到的光电子数相差两个数量级。JUNO已经批准了一个新的小型PMT系统，包括25，000个3英寸PMT，与20英寸PMT交替安装。单个3英寸光电倍增管主要接收单个光电子，这为通过光子计数技术校准20英寸光电倍增管系统的能量响应提供了一种独特的方式。此外，小型光电倍增管系统还可以扩展能量测量的动态范围，为宇宙μ子和大气中微子等高能物理的研究提供帮助。我们将介绍这种双重量热法的物理概念，3英寸光电倍增管及其读出电子学系统的设计和实现。
2017-06-27 physics.ins-det
Parallelized JUNO simulation software based on SNiPER
江门地下中微子观测站（JUNO）是一个确定中微子质量等级的中微子实验。它有一个用于中微子探测的中央探测器，由一个装有20 kt LS的球形丙烯酸容器和大约18，000个20英寸PMT组成，用于收集LS发出的光。在裁谈会周围，有一个水池，以屏蔽放射性。WP配备了大约2000个PMT，通过探测切伦科夫光来测量宇宙射线μ子。作为JUNO离线仿真软件的重要组成部分之一，基于SNiPER开发了串行仿真框架。它负责物理发生器、探测器模拟、事件混合和数字化。然而，基于Geant 4的探测器模拟如此大的探测器是耗时且具有挑战性的。充分利用并行计算的优势来提高仿真速度是十分必要的。从版本10开始，Geant4支持事件级并行。即使基于pthread，它也可以用其他库（如Intel TBB）进行扩展。因此，通过Geant 4和SNiPER的集成，可以实现JUNO仿真框架的并行化。本文介绍了我们在并行仿真软件开发方面的进展。SNiPER框架可以在顺序模式、英特尔TBB模式或其他模式下运行。SNiPER任务组件负责事件循环，类似于简化的应用程序管理器。在仿真框架中引入了两种类型的任务，一种是全局任务，另一种是工人任务。全局任务将仅运行一次以初始化探测器几何和物理过程。工作者任务将在全局任务完成后生成。在每个工作者任务中，调用Geant4运行管理器来执行实际模拟。因此，仿真框架和底层的TBB已经被解耦。最后，…
2017-10-19 physics.ins-det
Comparison on PMT Waveform Reconstructions with JUNO Prototype
JUNO被提出来确定中微子质量等级，并在许多其他中微子课题中有丰富的内容。为了更好地理解未来探测器的子系统，设计并建立了一个原型。初步结果表明，在宇宙μ子率为35Hz的地面上，其阈值为0.3MeV，触发率为290Hz。为了更好地从PMT信号中理解检测器，针对不同过冲比的PMT波形，比较了电荷积分、波形拟合和反卷积三种重构算法。结果表明，这三种方法在不确定性和系统偏差方面的性能相似，但反卷积算法最适合处理较大的超调，最简单的电荷积分可以考虑控制超调，用于未来的快速初步重建。
2019-07-03 hep-ex physics.ins-det
Study of 20-inch PMTs dark count generated large pulses
JUNO实验的主要目标是用20万吨液体闪烁体探测器确定中微子的质量序。20英寸光电倍增管是JUNO公司的关键仪器之一，它能在1.MeV处实现至少3.0%的能量分辨率。对光电倍增管的特性和特点的了解是至关重要的探测器性能的理解。来自PMT暗计数的大脉冲，例如来自闪光器或其他，是探测器噪声控制的严重问题之一。本文针对20英寸光电倍增管暗计数产生的大脉冲，利用μ子标记系统进行了测量，并对其原因进行了探讨。结果表明，20英寸PMT暗计数的大脉冲主要来自μ子撞击PMT玻璃。并实现了仿真，取得了一致的认识.
2022-06-15 hep-ex physics.ins-det
New Spallation Background Rejection Techniques to Greatly Improve the Solar Neutrino Sensitivity of JUNO
Ohio State University（俄亥俄州立大学）
针对JUNO深度浅、无方向信息导致散裂本底强的问题，通过首次详细计算散裂本底并提出中子标记等新技术，可降低死时间、缩短运行时间，大幅提升JUNO对特定太阳中微子的灵敏度。
2026-08-20 astro-ph.HE hep-ex hep-ph
Solar neutrinos with the JUNO experiment
JUNO液体中微子实验正在江门（中国）进行，将于2020年开始运行，并将检测来自附近反应堆的反中微子;以及通过电子弹性散射的太阳中微子。它的物理学目标是广泛的;它的主要目标是测量中微子质量排序，以收集大量的统计数据，这需要JUNO的20 kt敏感质量，并实现前所未有的能量分辨率（3 $\%/\sqrt{E}$）。由于这些特点，JUNO处于非常有利的地位，可以在以前类似技术的实验中为太阳中微子研究做出贡献。它将从$^7$ Be和$^8$ B收集大量中微子样本。特别地，对于$^7$ Be，目标能量分辨率将提供有力的工具来将电子能量终点与背景（如$^{210}$ Bi和$^{85}$ Kr）隔离。与此同时，将不得不面临主要与背景的减少和估计有关的挑战。虽然正在计划一项彻底的LS纯化活动，但所需的纯化水平不如Borexino中的侵蚀性。此外，宇宙起源背景，如宇宙射线μ子穿过JUNO（700米）上方相对较薄的地面层并穿过探测器，将需要用提取$^8$ B的专用技术来否决。在我的演讲中，我回顾了JUNO在太阳中微子领域的初步分析策略和挑战;并提供了目前对其太阳中微子和背景产额的估计，以及相关的能谱，假设闪烁体放射性纯度的两个基准场景。
2018-09-11 hep-ex nucl-ex physics.ins-det
Design and Integration of JUNO-OSIRIS
本研究介绍了JUNO实验的前置探测器OSIRIS的设计与集成，该探测器用于检测液体闪烁体的放射性纯度，已建成并取得初步空气运行结果，即将开展灌注实验。
2024-02-25 hep-ex physics.ins-det
Showering Cosmogenic Muons in A Large Liquid Scintillator
我们提出了一个20千吨的球形液体闪烁探测器下700至900米的岩石宇宙成因μ子的传播的FLUKA模拟的结果。簇射μ介子是一种除了电离能之外，还在探测器中沉积至少3 GeV的μ介子。我们发现20%的μ子是淋浴式的，另外10%的μ子事件是μ子束，其中超过一个μ子进入探测器。在这个范围内的淋浴和束分数是强大的对深度和地形的变化，因此，对于一个给定的实验的总淋浴和束率可以通过结合我们的结果与总μ子通量的估计。一个结果是，直接将KamLAND使用的全探测器簇射μ介子切割适应JUNO或RENO 50将产生几乎消失的探测器效率。
2014-09-15 hep-ex hep-ph physics.ins-det
Physics potential of searching for $0νββ$ decays in JUNO
在过去的几十年里，人们对无中微子双β衰变（0 $νββ$）过程进行了大量的研究，旨在确定中微子是否是它们自己的反粒子（马约拉纳中微子），但尚未观察到0 $νββ$衰变信号。提出了一些新的实验，但他们最终遭受一个共同的问题：灵敏度可能不会无限期地增加与目标质量。我们已经进行了详细的分析的物理潜力，通过使用江门地下中微子天文台（JUNO），以提高灵敏度0 $νββ$高达几个meV，一个重要的一步，相对于目前正在计划的实验。JUNO是一个20千吨级低本底液体闪烁体探测器，能量分辨率为3%/ $\sqrt{E \text{(MeV)}}$，目前正在建造中。可行的是，构建一个充满溶解在LS中的富集氙气（$^{136}$含量高达80\%）的气球，插入JUNO LS的中心区域。在$^{136}$ ≥ 0 $νββ$衰变的$Q$值处，能量分辨率为$\sim$ 1.9\%。超低背景是0 $νββ$衰变搜索的关键。详细研究了本征2 $νββ$和$^{8}$ B太阳中微子、天然放射性和宇宙成因放射性核素（包括轻同位素和$^{137}$）的本底率，并开发了几种μ子否决方案。我们发现JUNO具有达到灵敏度（90 ℃）的潜力. L.）的范围内。在$\sim$为50吨（5吨）的基准$^{136}$能谱和5年曝光量的情况下，对$1.8\times10^{28}$年（$5.6\times10^{27}$年）的$T^…
2017-06-28 hep-ex nucl-ex physics.ins-det
Calibration Strategy of the JUNO-TAO Experiment
泰山中微子天文台（JUNO-TAO，或TAO）是江门地下中微子天文台（JUNO）的卫星探测器。TAO位于泰山反应堆附近，以前所未有的能量分辨率独立测量反应堆的反中微子能谱。为了实现这一目标，能源响应必须得到很好的校准。利用TAO的自动校准装置（ACU）和电缆回路系统（CLS），将多个放射源部署到探测器的不同位置，以执行能量响应的精确校准。在不同的能量点，非线性能量响应可控制在0.6%以内。利用宇宙μ子产生的$^{12}\rm B$衰变信号可以进一步改进它。通过能量非均匀性校准，剩余非均匀性小于0.2%。由剩余非均匀性引起的能量分辨率下降和能量偏差可分别控制在0.05%和0.3%以内。此外，其他探测器参数的稳定性，如每个硅光电倍增管的增益，可以用一个特殊的紫外LED校准系统进行监测。
2022-05-30 hep-ex physics.ins-det
Performance of compact plastic scintillator strips with WLS-fiber and PMT/SiPM readout
本文介绍了一种尺寸为0.1 * 0.02 * 2 m3的塑料闪烁体的设计和性能研究，该闪烁体可作为JUNO-TAO的宇宙射线μ子探测器的候选者。首先对3英寸光电倍增管耦合的带进行了单端和双端读出方案的测量和比较，然后对双端方案与SiPM耦合的带进行了进一步的测量和比较。在对所使用的3英寸PMT和SiPM进行详细表征之后，通过沿其长度的宇宙射线μ子的详细测量来确定条的性能。所提出的具有与SiPM耦合的WLS光纤的塑料闪烁体的紧凑条为宇宙射线μ子探测器提供了一个很好的选择，特别是对于有限的探测器尺寸。
2022-10-08 hep-ex physics.ins-det
Suppression of Cosmic Muon Spallation Backgrounds in Liquid Scintillator Detectors Using Convolutional Neural Networks
宇宙μ介子散射背景在低本底实验中是普遍存在的。对于寻找无中微子双β衰变的基于液体蒸发器的实验，spectrum产物$^{10}$ C是在2-3 MeV之间的感兴趣区域中的重要背景，并且确定实验的深度要求。我们开发了一种基于卷积神经网络的算法，该算法使用光发射中的时间和空间相关性来识别$^{10}$ C背景事件。使用典型的千吨级探测器配置，如KamLAND探测器，我们发现该算法能够在90%的信号接受度下识别61.6%的$^{10}$ C。具有完美光收集的检测器可以在90%的信号接受度下识别98.2%。该算法不依赖于顶点和能量重建，是对现有方法的补充，并可扩展到其他背景源。
2018-12-07 hep-ex nucl-ex physics.ins-det
Developing a $μ$Bq/m$^{3}$ level $^{226}$Ra concentration in water measurement system for the Jiangmen Underground Neutrino Observatory
本文为江门中微子实验研制了一套灵敏度达6.0 μBq/m³的水中²²⁶Ra浓度测量系统，用于满足超纯水灌注液体闪烁体时²²⁶Ra浓度低于50 μBq/m³的要求，并给出了EWII超纯水的实测结果。
2024-02-21 hep-ex physics.ins-det
Fast Muon Tracking with Machine Learning Implemented in FPGA
在这项工作中，我们提出了一种新的方法，快速跟踪多丝正比室与神经网络。该跟踪网络是为强子对撞机一级触发实验研制的。我们使用Geant 4生成的Monte Carlo样本与自定义μ子室，这类似于ATLAS实验中的薄间隙室的一部分，用于训练和性能评估。该腔室共有7个气隙，其中第一个和最后一个气隙位移约1.5 m。每个气体间隙有50个通道，尺寸为18-20 mm。两个神经网络模型的开发和提出：卷积神经网络和神经网络优化的检测器配置本研究。在后一种网络中，为由腔室的2-3个气隙形成的三组中的每一组提供卷积层，并且将输出依次馈送到多层感知器中。将两种网络转换为硬件描述语言，并在Virtex UltraScale+ FPGA中实现。角分辨率为2 mrad，这与由最小卡方法估计的探测器的最大分辨率相当。所实现的固件的延迟小于100 ns，吞吐率为160 MHz。
2022-11-16 physics.ins-det
Neutron source-based event reconstruction algorithm in large liquid scintillator detectors
本文提出一种基于中子校准数据的大型液体闪烁体探测器事件重建算法，利用似然方法重建位置和能量，并区分粒子类型，在JUNO模拟中达到位置精度±4cm、能量非均匀性<0.5%，并有效消除α粒子和快中子事件。
2025-10-24 hep-ex physics.ins-det
Neutrino Characterisation using Convolutional Neural Networks in CHIPS water Cherenkov detectors
本文提出用卷积神经网络处理CHIPS水切伦科夫探测器原始事例，实现宇宙线缪子排除、束流事例分类和中微子能量估计，性能显著优于传统似然重建和简单神经网络分类。
2022-06-29 hep-ex physics.ins-det
Machine learning methods for subpixel trajectory reconstruction in discretized position detectors
Department of Nuclear Engineering and Engineering Physics, University of Wisconsin–Madison（威斯康星大学麦迪逊分校核工程与工程物理系）；Lucid Motors（卢西德汽车）
研究对比传统方法，用Geant4模拟数据比较变压器神经网络等四种方法重建离散粒子探测器亚像素轨迹，变压器架构角重建最佳，误差降低，有助于μ子断层扫描和宇宙射线探测的精确粒子轨迹重建。
2026-07-16 physics.ins-det
Tackling the muon identification in water Cherenkov detectors problem for the future Southern Wide-field Gamma-ray Observatory by means of Machine Learning
Laboratório de Instrumentação e Física Experimental de Partículas (LIP)（粒子实验物理与仪器实验室）；Instituto Superior Técnico (IST), Universidade de Lisboa（里斯本大学高等理工学院）；University of Granada（格拉纳达大学）
本文提出了几种方法来处理水切伦科夫探测器中识别μ子的问题，减少了水的体积和4个光电倍增管。使用不同的角度的信息表示和新功能的工程使用特定的领域知识。结果表明，这些新特征与卷积层相结合，能够实现良好的性能，避免过拟合，并能够适当地推广测试集。研究结果还证明，最先进的机器学习分析技术与低水深的水切伦科夫探测器相结合，可以有效地识别μ子，由于减少了高海拔地区所需的水量，这可能会节省巨额投资。这一成果可用于进一步的研究，能够区分γ和强子诱导的簇射使用μ子作为判别。
2021-01-28 cs.LG hep-ex physics.ins-det
Particle identification with the Belle II calorimeter using machine learning
我提出了一个应用程序的卷积神经网络（CNN），以分离介子和π介子的Belle II电磁量能器（ECL）。ECL设计用于测量带电和中性粒子沉积的能量。它也提供了重要的贡献，粒子识别（PID）系统。如果ECL中的低动量μ子和π子没有到达外μ子探测器，那么识别它们是至关重要的。轨迹种子簇能量图像提供了最大可能的信息。在ECL的进入点处的外推轨道周围的晶体中的μ子和π子的能量沉积的形状与$θ-ϕ$平面中的晶体位置和轨道的横向动量一起用于训练CNN。CNN利用了π介子强子相互作用和更局域化的μ介子电磁相互作用的分散能量沉积之间的差异。使用仿真，CNN算法的性能进行了比较，与其他PID方法在Belle II的跟踪匹配的聚类信息的基础上。结果表明，CNN PID方法在低动量情况下改善了μ介子-π介子的分离。
2023-01-27 hep-ex physics.ins-det
System upgrade for $μ$Bq/m$^3$ level $^{222}$Rn concentration measurement
本文针对JUNO实验低本底需求，研制了一套基于活性炭富集与静电收集的μBq/m³级²²²Rn浓度测量系统，并系统研究了温度、流速和浓度对吸附系数的影响。
2023-09-25 hep-ex physics.ins-det
JUNO Conceptual Design Report
江门地下中微子观测站（JUNO）拟利用地下液体闪烁探测器测定中微子质量等级。该核电站距离中国广东省阳江和台山核电站均为53公里。实验大厅，跨越50多米，是在一个花岗岩山超过700米覆盖。在六年的运行中，反应堆反中微子的探测可以在3-4 $σ$的置信水平上分辨中微子质量等级，并确定中微子振荡参数$\sin^2θ_{12}$、$Δm^2_{21}$和$|Δm^2_{ee}|$，精度优于1%。JUNO探测器还可用于研究地球和地外中微子以及标准模型之外的新物理。中心探测器包含20，000吨液体闪烁体，直径为35米的丙烯酸球体。$\sim$ 17，000 508 mm直径光电倍增管具有高量子效率，可提供$\sim$ 75%的光学覆盖率。目前液体闪烁体的选择是：线性烷基苯（LAB）作为溶剂，加上PPO作为闪烁荧光剂和波长移位器（Bis-MSB）。每MeV检测到的光电子数大于1，100，能量分辨率预计在1 MeV时为3%。校准系统的设计部署多个源，以覆盖整个能量范围的反应堆反中微子，并实现一个完整的体积内的位置覆盖的检测器。否决系统用于μ子探测、μ子诱导本底研究和还原。它由水切伦科夫探测器和顶部跟踪系统组成。读出系统、探测器控制系统和离线系统确保了有效和稳定的数据采集和处理。
2015-09-28 hep-ex physics.ins-det
The JUNO experiment Top Tracker
本文介绍JUNO实验Top Tracker的定位、结构与读出技术，并说明其为高放射性岩石环境开发的新型电子学、机械结构及模拟预期性能。
2023-03-09 hep-ex physics.ins-det
Muon Trigger for Mobile Phones
National Research University Higher School of Economics（国立研究大学高等经济学院）；Yandex School of Data Analysis（Yandex数据分析学院）；Moscow Institute of Physics and Technology（莫斯科物理技术学院）；Skolkovo Institute of Science and Technology（斯科尔科沃科学技术研究院）；University of California, Davis（加利福尼亚大学戴维斯分校）；University of California, Irvine（加利福尼亚大学欧文分校）；Yale University（耶鲁大学）
CRAYFIS实验提议使用私人拥有的手机作为超高能宇宙射线的地面探测器阵列。在与地球大气层相互作用时，这些事件产生了广泛的粒子雨，可以通过移动电话上的相机检测到。一个典型的簇射包含最小电离粒子，如μ子。当这些粒子与CMOS图像传感器相互作用时，它们可能会留下微弱激活像素的痕迹，这些像素有时很难与随机检测器噪声区分开来。在这种情况下，依赖于图像帧内非常亮的像素的存在的触发器不是有效的。我们提出了一种触发算法的基础上卷积神经网络，选择包含这样的轨道的图像，并在一个懒惰的方式进行评估：计算每个连续层的响应，只有当激活的当前层满足连续的标准。神经网络的使用增加了与图像阈值相当的灵敏度，而惰性评估允许在移动电话的有限计算能力下执行触发器。
2017-09-25 astro-ph.IM cs.CV physics.ins-det
Context-Enriched Identification of Particles with a Convolutional Network for Neutrino Events
粒子探测器记录了亚原子粒子的相互作用以及它们穿过物质的过程。这些粒子的识别对于深入的物理分析是必要的。虽然粒子可以通过它们穿过物质时的个体行为来识别，但它们产生的相互作用的完整背景可以大大帮助分类任务。我们开发了第一个用于粒子识别的卷积神经网络，它使用上下文信息。这也是第一次实现四塔连体式架构，既分离独立的输入，又包含上下文信息。该网络将来自NOvA中微子探测器的能量沉积物集群分类为电子，μ子，光子，π子和质子，总效率和纯度分别为83.3%和83.5%。我们通过将我们的结果与没有上下文信息训练的网络进行比较，证明了为网络提供上下文信息可以提高性能。
2019-06-03 hep-ex physics.data-an physics.ins-det
Progress of the Charged Pion Semi-Inclusive Neutrino Charged Current Cross Section in NOvA
NOvA实验是一个长基线中微子振荡实验，旨在测量电子中微子出现和μ子中微子消失的速率。NOvA近距离探测器位于费米实验室，距离主要目标800米，为测量和研究中微子-核相互作用提供了一个极好的平台。我们提出了测量的双微分截面相对于μ子运动学的相互作用，涉及带电π介子在最终状态，$ν_μ + N \rightarrow μ+ π^{+/-} + X$的状态。我们已经推导出了一种基于卷积神经网络的方法，用于识别具有特定终态拓扑结构的中微子相互作用。我们目前的事件分类效率的研究，使用这种粒子识别和分类方法，以及系统的不确定性和前景的测量。
2017-10-09 hep-ex physics.ins-det
Identification of tau leptons using a convolutional neural network with domain adaptation
EUROPEAN ORGANIZATION FOR NUCLEAR RESEARCH (CERN)（欧洲核子研究组织（CERN））
DeepTau算法通过卷积神经网络与领域适应技术，提升τ轻子识别精度，降低误识别率，应用于LHC高能碰撞数据。
2025-12-24 hep-ex physics.ins-det
Charged-particle topology reconstruction with an in-liquid SiPM array
Chung-Ang University（中央大学）
本研究利用液内稀疏SiPM阵列保留局部光学信息，通过模拟训练的时间感知CNN重建缪子轨迹端点与正电子顶点，中位残差厘米级，验证了拓扑敏感重建的可行性。
2026-09-25 hep-ex physics.ins-det
Identification of hadronic tau lepton decays using a deep neural network
提出了一种新的算法来区分CMS探测器中来自真正τ轻子的τ轻子强子衰变（$τ_\mathrm{h}$）和来自夸克或胶子喷注、电子或μ子的$τ_\mathrm{h}$候选衰变。该算法输入来自$τ_\mathrm{h}$候选者附近的所有重构粒子的信息，并采用具有卷积层的深度神经网络来有效地处理输入。该算法导致一个显着改善的性能相比，以前使用的一个。例如，一个真正的$τ_\mathrm{h}$通过反喷流的效率增加了10-30%，对于夸克和胶子喷流的给定效率。此外，一个更有效的$τ_\mathrm{h}$重建引入了额外的强子衰变模式。利用$\sqrt{s} =$ 13 TeV的LHC质子-质子碰撞数据验证了新算法在区分喷注、电子和μ子方面的优越性能以及改进的$τ_\mathrm{h}$重建方法。
2022-07-14 hep-ex physics.ins-det
Measurement of radon concentration in the output water of the 100~t/h ultrapure water system at the Jiangmen Underground Neutrino Observatory
针对JUNO水切伦科夫探测器低于10 mBq/m³的氡浓度要求，本文介绍100 t/h两级超纯水系统，采用微泡增强五级脱气膜，实现超过99.9%除氡效率和0.61±0.50 mBq/m³的循环出水浓度。
2025-10-20 hep-ex physics.ins-det
Using Machine Learning to Improve Neutron Identification in Water Cherenkov Detectors
像Super-Kamiokande和下一代Hyper-Kamiokande这样的水切伦科夫探测器正在向水中添加钆，以提高中子的探测能力。除了中微子相互作用中的轻子外，通过探测中子，可以预期中微子和反中微子之间的分离得到改善，质子衰变搜索的背景也会减少。中子信号本身仍然很小，可能会与μ子散射和其他背景源混淆。本文采用机器学习技术优化Hyper-K新型中间水切伦科夫探测器（IWCD）的中子俘获探测能力。特别是，开发了增强决策树（XGBoost），图卷积网络（GCN）和动态图卷积神经网络（DGCNN）模型，并对基于统计可能性的方法进行了基准测试，实现了高达10%的分类准确性提高。还从数据集中设计了特征特征，并使用SHAP（SHapley Additive exPlanations）进行分析，以深入了解影响事件类型结局的关键因素。本研究中使用的数据集由大约160万个模拟粒子枪事件组成，几乎平均分配在中子捕获和背景电子源之间。
2022-06-26 hep-ex physics.ins-det
Final assessment of radioactive impurities in the JUNO detector
IPHC, Université de Strasbourg, CNRS/IN2P3（斯特拉斯堡大学）；Sun Yat-Sen University（中山大学）；The University of Liverpool（利物浦大学）；INFN Catania and Dipartimento di Fisica e Astronomia dell Università di Catania（意大利国家核物理研究所卡塔尼亚分部及卡塔尼亚大学物理与天文系）；Joint Institute for Nuclear Research（苏联联合核研究所）；INFN Sezione di Milano and Dipartimento di Fisica dell Università di Milano（意大利国家核物理研究所米兰分部及米兰大学物理系）；IJCLab, Université Paris-Saclay, CNRS/IN2P3（巴黎萨克雷大学）；INFN Milano Bicocca and University of Milano Bicocca（意大利国家核物理研究所米拉诺比科卡分部及米拉诺比科卡大学）；INFN Sezione di Padova（意大利国家核物理研究所帕多瓦分部）
江门中微子实验探测器建设完成，为满足物理目标筛选数千种材料。本文总结最终所用材料放射性杂质浓度，探测器建设及填充于2025年8月完成，初始数据显示基准体积内天然放射性总计数率达标，可支持反应堆反中微子分析。
2026-07-21 hep-ex physics.ins-det
Detector monitoring with artificial neural networks at the CMS experiment at the CERN Large Hadron Collider
Université Paris-Saclay（巴黎-萨克雷大学）；CERN（欧洲核子研究组织）
可靠的数据质量监控是提供适合任何现代大型高能物理实验中物理分析的碰撞数据的关键资产。本文重点介绍了使用人工神经网络的监督和半监督的问题有关的异常的CMS μ子探测器收集的数据的识别。我们使用深度神经网络来分析LHC碰撞数据，这些数据表示为按地理位置组织的图像。我们训练一个能够以前所未有的效率检测已知异常行为的分类器，并探索使用卷积自动编码器将异常检测能力扩展到不可预见的故障模式。这种策略的推广可以为现在和未来的高能物理实验的数据质量评估过程的自动化铺平道路。
2018-07-27 cs.LG physics.data-an physics.ins-det
NOvA Short-Baseline Tau Neutrino Appearance Search
标准的三味中微子振荡已经被广泛的中微子实验所解释。然而，异常的结果，如电子-反中微子过剩所看到的LSND和MiniBooNE不符合三味范式。这可以解释为额外的第四味无菌中微子在一个更大的规模比现有的三味中微子。NOvA实验由两个精细分段的液体闪烁体探测器组成，它们在离轴14.6 mrad的NuMI μ子中微子束处工作。近探测器位于费米实验室园区，距离NuMI目标1公里，而远探测器位于明尼苏达州的Ash River，距离NuMI目标810公里。NOvA实验的主要目的是使用近探测器来控制系统的不确定性，以测量远探测器的电子中微子外观;然而，近探测器非常适合寻找异常的短基线振荡。这张海报将提出一种新的方法，使用卷积神经网络在近探测器上选择高纯度的tau中微子相互作用。利用这种方法，我们将给出对由于无菌中微子振荡而引起的异常短基线τ中微子出现的灵敏度。
2017-10-01 hep-ex physics.ins-det
Initial performance results of the JUNO detector
本文报道江门中微子实验JUNO启动物理取数后的初始性能测试结果，验证其关键指标达到高精度中微子物理研究要求。
2025-11-18 hep-ex physics.ins-det
Neutrino interaction classification with a convolutional neural network in the DUNE far detector
深层地下中微子实验是下一代中微子振荡实验，旨在测量中微子部分的$CP$破坏，作为更广泛的物理计划的一部分。已经开发了一种基于卷积神经网络的深度学习方法，以提供电子中微子和μ子中微子带电电流相互作用的高效和纯选择。电子中微子（反中微子）选择效率的峰值为90%（94%），并超过85%（90%）的重建中微子能量之间的2-5 GeV。的μ子中微子（反中微子）事件选择被发现有96%（97%）的最大效率和超过90%（95%）的效率为2GeV以上的重建中微子能量。当考虑所有的电子中微子和反中微子相互作用的信号，选择纯度达到90%。这些事件选择对于最大化实验对$CP$违背效应的灵敏度至关重要。
2020-11-10 hep-ex physics.ins-det
A Deep Neural Network for Pixel-Level Electromagnetic Particle Identification in the MicroBooNE Liquid Argon Time Projection Chamber
Yale University（耶鲁大学）；Kansas State University（堪萨斯州立大学）；Illinois Institute of Technology（伊利诺伊理工学院）；University of Cambridge（剑桥大学）；University of Texas, Arlington（德克萨斯大学阿灵顿分校）；Massachusetts Institute of Technology（麻省理工学院）；Universität Bern（伯尔尼大学）；Fermi National Accelerator Laboratory（费米国家加速器实验室）；University of Michigan（密歇根大学）；University of Oxford（牛津大学）；Brookhaven National Laboratory（布鲁克海文国家实验室）；TUBITAK Space Technologies Research Institute（土耳其科学技术研究理事会空间技术研究所）；Syracuse University（雪城大学）；Pacific Northwest National Laboratory（太平洋西北国家实验室）；Lancaster University（兰卡斯特大学）
我们已经开发了一个卷积神经网络（CNN），可以在图像数据中记录的液体氩时间投影室（LArTPC）的第一次像素级的预测对象。我们描述了网络设计，培训技术，和软件工具开发的训练这个网络。这项工作的目标是为MicroBooNE探测器开发一个完整的基于深度神经网络的数据重建链。我们展示了第一个演示网络的有效性，使用MicroBooNE收集平面图像的真实LArTPC数据。演示了μ子停止和$ν_μ$带电电流中性π数据样本。
2018-08-22 cs.CV hep-ex physics.data-an
