npeЯдерная физика и инжинирингNuclear Physics and Engineering2079-56292079-5637МИФИ10.56304/S2079562920060603npe-115Research ArticleМатематическое моделирование в ядерных технологияхMathematical Modeling in Nuclear TechnologiesПрименение методов глубокого обучения для реконструкции многочастичных событий по данным дрейфовых камерApplying Deep Learning Techniques for Multiparticle Track Reconstruction of Drift Chamber DataВоробьевВ. С.Vorob’evV. S.

В. С. Воробьев,

Москва,115409. 

V. S. Vorob’ev,

Moscow, 115409.

VSVorobev@mephi.ruЗадебаЕ. А.ZadebaЕ. А.

Е. А. Задеба,

Москва,115409.

Е. А. Zadeba,

Moscow, 115409.

НиколаенкоР. В.NikolaenkoR. V.

Р. В. Николаенко,

Москва,115409.

R. V. Nikolaenko, 

Moscow, 115409.

ПетрухинА. А.PetrukhinА. А.

А. А. Петрухин ,

Москва,115409.

А. А. Petrukhin,

Moscow, 115409.

ТрошинИ. Ю.TroshinI. Yu.

И. Ю. Трошин,

Москва,115409.

I. Yu. Troshin,

Moscow, 115409.

Национальный исследовательский ядерный университет “МИФИ”РоссияNational Research Nuclear University MEPhI (Moscow Engineering Physics Institute)Russian Federation2021230420241212631Copyright © Воробьев В.С., Задеба Е.А., Николаенко Р.В., Петрухин А.А., Трошин И.Ю., 20242024Воробьев В.С., Задеба Е.А., Николаенко Р.В., Петрухин А.А., Трошин И.Ю.Vorob’ev V.S., Zadeba Е.А., Nikolaenko R.V., Petrukhin А.А., Troshin I.Y.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://npe.elpub.ru/jour/article/view/115

В НИЯУ МИФИ для исследования наклонных широких атмосферных ливней создается координатно-трековый детектор ТРЕК на основе многопроволочных дрейфовых камер. Для реконструкции событий с высокой множественностью по данным дрейфовых камер в настоящее время используется метод гистограммирования, который разработан для поиска параллельных треков. Однако в экспериментальных данных, полученных с помощью координатно-трековой установки на дрейфовых камерах (КТУДК), среди полезных сигналов наблюдаются послеимпульсы, которые приводят к ложным реконструкциям. Для решения этой проблемы разрабатывается новый метод с использованием глубокого обучения. В работе представлены результаты разработки этого метода и его применения к моделированным данным.

The new coordinate-tracking detector TREK, based of drift chambers, is being developed at NRNU MEPhI for studies of ultrahigh energy cosmic rays. To reconstruct events with a high multiplicity from the data of drift chambers, the histogram method is currently used, which is designed to search for parallel tracks. However, we observe afterpulses in the experimental data obtained using a coordinate-tracking unit based on drift chambers (CTUDC). The afterpulses lead to fake track reconstructions. To solve this problem, a new method is being developed using deep learning. The paper presents the results of the development of this method and its application to simulated data.

космические лучидрейфовая камерамюонымашинное обучениеглубокое обучениеcosmic raysdrift chambermuonsmachine learningdeep learningИсследование выполнено при финансовой поддержке РФФИ в рамках научного проекта № 20-32- 90155.ReferencesZadeba E.A. et al. // J. Instrum. 2014. V. 9. P. C08018.Zadeba E.A. et al. // J. Instrum. 2014. V. 9. P. C08018.Petrukhin A.A. // Phys. Usp. 2015. V. 58. P. 486–494.Petrukhin A.A. // Phys. Usp. 2015. V. 58. P. 486–494.Petrukhin A.A. // Nucl. Instrum. Methods Phys. Res., Sect. A. 2012. V. 692. P. 228–232.Petrukhin A.A. // Nucl. Instrum. Methods Phys. Res., Sect. A. 2012. V. 692. P. 228–232.Barabash L.S. et al. // Proc. Int. Conf. Neutrino-82. 1982. V. 2. P. 249Barabash L.S. et al. // Proc. Int. Conf. Neutrino-82. 1982. V. 2. P. 249Vorobyev V.S. et al. // J. Phys.: Conf. Ser. 2018. V. 945. P. 012027.Vorobyev V.S. et al. // J. Phys.: Conf. Ser. 2018. V. 945. P. 012027.Воробьев В.С., Борисов А.А., Волков Н.С., Задеба Е.А., Кожин А.С., Петрухин А.А., Фахрутдинов Р.М., Яшин И.И. // Ядерная физика и инжиниринг. 2017. Т. 8. № 4. С. 344-352 [Vorobyev V.S., Borisov A.A., Volkov N.S., Zadeba E.A., Kozhin A.S., Petrukhin A.A., Fakhrutdinov R.M., Yashin I.I. // Phys. At. Nucl. 2018. V. 81. P. 1325].Воробьев В.С., Борисов А.А., Волков Н.С., Задеба Е.А., Кожин А.С., Петрухин А.А., Фахрутдинов Р.М., Яшин И.И. // Ядерная физика и инжиниринг. 2017. Т. 8. № 4. С. 344-352 [Vorobyev V.S., Borisov A.A., Volkov N.S., Zadeba E.A., Kozhin A.S., Petrukhin A.A., Fakhrutdinov R.M., Yashin I.I. // Phys. At. Nucl. 2018. V. 81. P. 1325].Nebauer C. // IEEE Trans. Neural Networks. 1998. V. 9. P. 685–696. https://doi.org/10.1109/72.701181Nebauer C. // IEEE Trans. Neural Networks. 1998. V. 9. P. 685–696. https://doi.org/10.1109/72.701181Garfield++. https://garfieldpp.web.cern.ch/.Garfield++. https://garfieldpp.web.cern.ch/.Hochreiter S. et al. // Neural Comput. 1997. V. 9. P. 1735–1780.Hochreiter S. et al. // Neural Comput. 1997. V. 9. P. 1735–1780.Farrell S. et al. // EPJ Web Conf. 2017. V. 150. P. 00003.Farrell S. et al. // EPJ Web Conf. 2017. V. 150. P. 00003.

The authors declare that there are no conflicts of interest present.