发表机构
Facultad de Ciencias, Universidad Nacional Autónoma de México; Instituto de Ciencias Nucleares, Universidad Nacional Autónoma de México（墨西哥国立自治大学理学院; 墨西哥国立自治大学核科学研究所）
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
本文应用序列到序列深度学习模型预测CMS电磁量能器钨酸铅晶体的辐射损伤，基于LHC开放数据验证了该方法的有效性。
AI 中文摘要
本文利用机器学习方法预测大型强子对撞机CMS电磁量能器中钨酸铅晶体的辐射损伤。我们分析了2016年至2018年收集的LHC开放数据，研究了晶体光学透明度的随时间演化。我们应用深度神经网络模型预测其在不同未来时间间隔内的行为，并发现编码器-解码器序列到序列架构能有效描述晶体老化。
英文摘要
In this paper we use machine learning methods to predict radiation damage in the lead tungstate crystals of the CMS electromagnetic calorimeter at the Large Hadron Collider. We analyze LHC Open Data collected from 2016 to 2018 and study the time evolution of the crystal optical transparency. We apply deep neural network models to predict its behavior over different future time intervals, and find that encoder-decoder sequence-to-sequence architectures can effectively describe crystal aging.
Comments5 pages
Journal refEPJ Web of Conferences 386, 03003 (2026)
DOI：10.1051/epjconf/202638603003
