ПРИМЕНЕНИЕ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ В ЭКСПЕРИМЕНТЕ БАЙКАЛ-GVD
https://doi.org/10.56304/S2079562923010116
Аннотация
Эксперимент Байкал-GVD – это нейтринный телескоп, расположенный в озере Байкал, Россия. По состоянию на 2022 г., его эффективный объем составляет 0.5 км3, что делает его крупнейшим нейтринным телескопом в северном полушарии и вторым по величине в мире. В настоящей работе представлен обзор методов машинного обучения, разработанных для анализа данных эксперимента Байкал-GVD. А именно, обсуждаются нейронные сети, разработанные для: (1) подавления шумовых срабатываний оптических модулей, (2) выделения событий, индуцированных нейтрино, а также оценки их потока, и (3) восстановления угла прилета нейтрино. Показано, что нейронные сети сравнимы или превосходят по точности стандартные алгоритмические процедуры реконструкции событий для аналогичных задач.
При поддержке: Данная работа была сделана при поддержке гранта Российского Научного Фонда номер 22-22-20063.
Об авторах
И. В. Харук
Институт ядерных исследований Российской академии наук, Москва, 117312 Россия
Московский физико-технический институт, Долгопрудный, 141700 Россия
Россия
Россия
А. В. Мацейко
Институт ядерных исследований Российской академии наук, Москва, 117312 Россия
Московский физико-технический институт, Долгопрудный, 141700 Россия
Россия
Россия
А. Ю. Леонов
Институт ядерных исследований Российской академии наук, Москва, 117312 Россия
Московский физико-технический институт, Долгопрудный, 141700 Россия
Россия
Россия
Список литературы
1. <em>Aartsen M.G. et al.</em> // Science. 2013. V. 342. P. 1242856. https://arxiv.org/abs/1311.5238.
2. <em>Belolaptikov I. et al.</em> // Proc. PoS ICRC2021. P. 002. https://arxiv.org/abs/2109.14344.
3. <em>Allakhverdyan V.A. et al.</em> // Phys. Rev. D. 2023. V. 107. P. 042005. https://arxiv.org/abs/2211.09447.
4. <em>Aiello S. et al.</em> // Astropart. Phys. 2019. V. 111. P. 100−110. https://arxiv.org/abs/1810.08499.
5. <em>Aartsen M.G., Abbasi R., Ackermann M. et al.</em> // J. Phys. G. 2021. V. 48. P. 060501.
6. <em>Malyshkin Y. et al.</em> // Nucl. Instrum. Methods. Phys. Res. B. 2023. V. 1050. P. 168117.
7. <em>Choma N., Monti F., Gerhardt L., et al.</em> // https://arxiv.org/abs/1809.06166.
8. <em>Huennefeld M.</em> // Proc. PoS ICRC2017. P. 1057.
9. <em>Huennefeld M.</em> // EPJ Web of Conf. 2019. V. 207. P. 05005.
10. <em>Reck S., Guderian D., Vermarien G., Domi A.</em> // J. Instrum. 2021. V. 16. P. C10011. https://arxiv.org/abs/2107.13375.
11. <em>Aiello S., Albert A., Garre S.A., et al.</em> // J. Instrum. 2020. V. 15. P. P10005.
12. <em>Ronneberger O., Fischer P., Brox T.</em> // Proc. Intl. Conf. on Medical Image Computing and Computer-Assisted Intervention. P. 234−241.
13. <em>Avrorin A.D. et al.</em> // Proc. PoS ICRC2021 P. 1063. https://arxiv.org/abs/2108.00208.
14. <em>Lin T.-Y., Goyal P., Girshick R., He K., Doll’ar P.</em> // Proc. IEEE Intl. Conf. on Computer Vision. P. 2980−2988.
15. <em>Wang Y., Sun Y., Liu Z., Sarma S.E., Bronstein M.M., Solomon J.M.</em> // ACM Trans. Graph. 2019. V. 38. P. 1−12.
Рецензия
Для цитирования:
Харук И.В., Мацейко А.В., Леонов А.Ю. ПРИМЕНЕНИЕ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ В ЭКСПЕРИМЕНТЕ БАЙКАЛ-GVD. Ядерная физика и инжиниринг. 2024;15(1):36-42. https://doi.org/10.56304/S2079562923010116
For citation:
Kharuk I.V., Matseiko А.V., Leonov А.Yu. Application of Machine Learning Methods in the Baikal-GVD Experiment. Nuclear Physics and Engineering. 2024;15(1):36-42. (In Russ.) https://doi.org/10.56304/S2079562923010116
Просмотров:
28
Послать статью по эл. почте 