利用深度学习提取 COMET Phase-I 圆柱形漂移室中的信号电子轨迹
Extracting Signal Electron Trajectories in the COMET Phase-I Cylindrical Drift Chamber Using Deep Learning
AI总结：
针对 COMET Phase-I 圆柱形漂移室在高背景占用率下的信号电子径迹提取问题，本文采用语义分割深度学习方法，实现 98% 纯度和 90% 保留率，超过设计目标。
摘要：
我们提出了 COMET Phase-I 实验中径迹分析的一种开创性方法；该实验在日本 J-PARC 进行，旨在寻找 μ 原子中的带电轻子味破坏 μ→e 转换过程。本文具体介绍了在高背景击中率（占 CDC 总单元的 40% 以上）条件下，利用语义分割深度学习技术提取 COMET Phase-I 圆柱形漂移室（CDC）中的信号电子轨迹。我们的模型取得了显著结果：对含信号击中的 CDC 单元，纯度达 98%、保留率达 90%，两项指标均超过 90% 的设计目标性能。本研究标志着深度学习在 COMET 径迹重建中的首次应用，为未来研究中更先进的技术铺平了道路。
英文摘要：
We present a pioneering approach to tracking analysis within the COMET Phase-I experiment, which aims to search for the charged lepton flavor violating $μ\to e$ conversion process in a muonic atom, at J-PARC, Japan. This paper specifically introduces the extraction of signal electron trajectories in the COMET Phase-I cylindrical drift chamber (CDC) amidst a high background hit rate, with more than $40\,\%$ occupancy of the total CDC cells, utilizing deep learning techniques of semantic segmentation. Our model achieved remarkable results, with a purity rate of $98\,\%$ and a retention rate of $90\,\%$ for CDC cells with signal hits, surpassing the design-goal performance of $90\,\%$ for both metrics. This study marks the initial application of deep learning to COMET tracking, paving the way for more advanced techniques in future research.
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。
