Применение методов глубокого обучения для реконструкции многочастичных событий по данным дрейфовых камер
https://doi.org/10.56304/S2079562920060603
Аннотация
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.
При поддержке: Исследование выполнено при финансовой поддержке РФФИ в рамках научного проекта № 20-32- 90155.
Об авторах
В. С. Воробьев
Национальный исследовательский ядерный университет “МИФИ”
Россия
Россия
В. С. Воробьев,
Москва,115409.
Е. А. Задеба
Национальный исследовательский ядерный университет “МИФИ”
Россия
Россия
Е. А. Задеба,
Москва,115409.
Р. В. Николаенко
Национальный исследовательский ядерный университет “МИФИ”
Россия
Россия
Р. В. Николаенко,
Москва,115409.
А. А. Петрухин
Национальный исследовательский ядерный университет “МИФИ”
Россия
Россия
А. А. Петрухин ,
Москва,115409.
И. Ю. Трошин
Национальный исследовательский ядерный университет “МИФИ”
Россия
Россия
И. Ю. Трошин,
Москва,115409.
Список литературы
1. Zadeba E.A. et al. // J. Instrum. 2014. V. 9. P. C08018.
2. Petrukhin A.A. // Phys. Usp. 2015. V. 58. P. 486–494.
3. Petrukhin A.A. // Nucl. Instrum. Methods Phys. Res., Sect. A. 2012. V. 692. P. 228–232.
4. Barabash L.S. et al. // Proc. Int. Conf. Neutrino-82. 1982. V. 2. P. 249
5. Vorobyev V.S. et al. // J. Phys.: Conf. Ser. 2018. V. 945. P. 012027.
6. 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].
7. Nebauer C. // IEEE Trans. Neural Networks. 1998. V. 9. P. 685–696. https://doi.org/10.1109/72.701181
8. Garfield++. https://garfieldpp.web.cern.ch/.
9. Hochreiter S. et al. // Neural Comput. 1997. V. 9. P. 1735–1780.
10. Farrell S. et al. // EPJ Web Conf. 2017. V. 150. P. 00003.
Рецензия
Для цитирования:
Воробьев В.С., Задеба Е.А., Николаенко Р.В., Петрухин А.А., Трошин И.Ю. Применение методов глубокого обучения для реконструкции многочастичных событий по данным дрейфовых камер. Ядерная физика и инжиниринг. 2021;12(1):26-31. https://doi.org/10.56304/S2079562920060603
For citation:
Vorob’ev V.S., Zadeba Е.А., Nikolaenko R.V., Petrukhin А.А., Troshin I.Yu. Applying Deep Learning Techniques for Multiparticle Track Reconstruction of Drift Chamber Data. Nuclear Physics and Engineering. 2021;12(1):26-31. (In Russ.) https://doi.org/10.56304/S2079562920060603
Просмотров:
30
Послать статью по эл. почте 