npeЯдерная физика и инжинирингNuclear Physics and Engineering2079-56292079-5637МИФИ10.56304/S2079562925010154LQFITAnpe-542Research ArticleМатематическое моделирование в ядерных технологияхMathematical Modeling in Nuclear TechnologiesОПРЕДЕЛЕНИЕ МНОЖЕСТВЕННОСТИ МЮОНОВ В СОБЫТИЯХ ДЕКОР ПРИ ПОМОЩИ МЕТОДОВ ГЛУБОКОГО МАШИННОГО ОБУЧЕНИЯDETERMINATION OF MUONS MULTIPLICITY IN DECOR EVENTS USING DEEP MACHINE LEARNING METHODSМирошниченкоЕ. А.MiroshnichenkoE. A.ВоробьевВ. С.VorobevV. S.Национальный исследовательский ядерный университет “МИФИ”РоссияNational Research Nuclear University MEPhI (Moscow Engineering Physics Institute)Russian Federation202526122025165617622Copyright © Мирошниченко Е.А., Воробьев В.С., 20252025Мирошниченко Е.А., Воробьев В.С.Miroshnichenko E.A., Vorobev V.S.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/542

Координатно-трековый детектор ДЕКОР предназначен для регистрации заряженных частиц космических лучей под большими зенитными углами. На данный момент анализ измерений установки выполняется вручную, что сказывается на производительности. Применение методов глубокого машинного обучения позволяет автоматизировать процесс обработки и увеличить выборку обработанных данных. Описанные в статье архитектуры искусственных нейронных сетей (ИНС) показали высокую точность в подсчете множественности мюонов в данных установки ДЕКОР. Приведены оценки работы ИНС на событиях с различной множественностью мюонов: при количестве частиц 5–6 точность составила 1 трек, а более 100 частиц – 7.

The DECOR coordinate-track detector is designed for registration of charged cosmic ray particles at large zenith angles. At the moment, analyses of the installation measurements are performed manually, which affects the performance. Application of deep machine learning methods allows to automate the processing process and increase the sample of processed data. The artificial neural network (ANN) architectures described in the paper have shown high accuracy in counting the multiplicity of muons in the data of the DECOR facility. Estimates of ANN performance on events with different muon multiplicity are given: for the number of particles 5–6 the accuracy was 1 track, and for more than 100 particles – 7 tracks.

ЭК НЕВОДДЕКОРкосмические лучимюонынейронная сетьEC NEVODDECORcosmic raysmuonsneural networkРабота выполнена на Уникальной научной установке “Экспериментальный комплекс НЕВОД” при поддержке Министерства науки и высшего образования РФ (государственное задание, проект “Фундаментальные и прикладные исследования космических лучей”, № FSWU-2023-0068).ReferencesBarbashina N.S. et al. // Instrum. Exp. Tech. 2000. V. 43 (6). P. 743–746.Barbashina N.S. et al. // Instrum. Exp. Tech. 2000. V. 43 (6). P. 743–746.Yashin I.I. et al. // J. Instrum. 2021. V. 16. P. T08014.Yashin I.I. et al. // J. Instrum. 2021. V. 16. P. T08014.Bogdanov A.G. et al. // Phys. At. Nucl. 2010. V. 73. P. 1852–1869.Bogdanov A.G. et al. // Phys. At. Nucl. 2010. V. 73. P. 1852–1869.Bogdanov A.G. et al. // Astropart. Phys. 2018. V. 98. P. 13–20.Bogdanov A.G. et al. // Astropart. Phys. 2018. V. 98. P. 13–20.Kang D., Arteaga-Velázquez J.C. Bertaina M., et al. // Proc. Sci. 2023. V. 444. P. 307. https://doi.org/10.22323/1.444.0307Kang D., Arteaga-Velázquez J.C. Bertaina M., et al. // Proc. Sci. 2023. V. 444. P. 307. https://doi.org/10.22323/1.444.0307Petrukhin A.A. // Phys.-Usp. 2015. V. 58 (5). P. 486–494.Petrukhin A.A. // Phys.-Usp. 2015. V. 58 (5). P. 486–494.Kindin V.V. et al. // Instrum. Exp. Tech. 2018. V. 61 (5). P. 649–657.Kindin V.V. et al. // Instrum. Exp. Tech. 2018. V. 61 (5). P. 649–657.Нейронная сеть. Большая российская энциклопедия [в 35 т.] гл. ред. Осипов Ю.С. 2017. Москва: Большая российская энциклопедия.Нейронная сеть. Большая российская энциклопедия [в 35 т.] гл. ред. Осипов Ю.С. 2017. Москва: Большая российская энциклопедия.Droz D. et al. // J. Instrum. 2021. V. 16. P. P07036.Droz D. et al. // J. Instrum. 2021. V. 16. P. P07036.Aurisano A. et al. // J. Instrum. 2016. V. 11. P. P09001.Aurisano A. et al. // J. Instrum. 2016. V. 11. P. P09001.Martinez J. Arjona et al. // Eur. Phys. J. Plus. 2019. V. 134. P. 333.Martinez J. Arjona et al. // Eur. Phys. J. Plus. 2019. V. 134. P. 333.Воробьев В.С. и др. // Ядерн. физ. инжинир. 2021. Т. 12 (1). С. 26−31. [Vorob’ev V.S. et al. // Phys. At. Nucl. 2021. V. 84 (9). P. 1567–1571].Воробьев В.С. и др. // Ядерн. физ. инжинир. 2021. Т. 12 (1). С. 26−31. [Vorob’ev V.S. et al. // Phys. At. Nucl. 2021. V. 84 (9). P. 1567–1571].Минский М., Пейперт С. Персептроны. (Пер. с . англ.). 1971. Москва: Мир.Минский М., Пейперт С. Персептроны. (Пер. с . англ.). 1971. Москва: Мир.Горбачевская Е.Н. // Вестн. Волжского унив. им. В. Н. Татищева. 2012. № 2. С. 128.Горбачевская Е.Н. // Вестн. Волжского унив. им. В. Н. Татищева. 2012. № 2. С. 128.Adam. https://pytorch.org/docs/stable/generated/torch.optim.Adam.html.Adam. https://pytorch.org/docs/stable/generated/torch.optim.Adam.html.MSELoss. https://pytorch.org/docs/stable/generated/torch.nn.MSELoss.html.MSELoss. https://pytorch.org/docs/stable/generated/torch.nn.MSELoss.html.Neural networks, fundamental principles of operation, diversity and topology. https://habr.com.Neural networks, fundamental principles of operation, diversity and topology. https://habr.com.

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