ОПРЕДЕЛЕНИЕ МНОЖЕСТВЕННОСТИ МЮОНОВ В СОБЫТИЯХ ДЕКОР ПРИ ПОМОЩИ МЕТОДОВ ГЛУБОКОГО МАШИННОГО ОБУЧЕНИЯ
https://doi.org/10.56304/S2079562925010154
EDN: LQFITA
Аннотация
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.
При поддержке: Работа 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).
Об авторах
Е. А. Мирошниченко
Национальный исследовательский ядерный университет “МИФИ”
Россия
Россия
В. С. Воробьев
Национальный исследовательский ядерный университет “МИФИ”
Россия
Россия
Список литературы
1. Barbashina N.S. et al. // Instrum. Exp. Tech. 2000. V. 43 (6). P. 743–746.
2. Yashin I.I. et al. // J. Instrum. 2021. V. 16. P. T08014.
3. Bogdanov A.G. et al. // Phys. At. Nucl. 2010. V. 73. P. 1852–1869.
4. Bogdanov A.G. et al. // Astropart. Phys. 2018. V. 98. P. 13–20.
5. Kang D., Arteaga-Velázquez J.C. Bertaina M., et al. // Proc. Sci. 2023. V. 444. P. 307. https://doi.org/10.22323/1.444.0307
6. Petrukhin A.A. // Phys.-Usp. 2015. V. 58 (5). P. 486–494.
7. Kindin V.V. et al. // Instrum. Exp. Tech. 2018. V. 61 (5). P. 649–657.
8. Нейронная сеть. Большая российская энциклопедия [в 35 т.] гл. ред. Осипов Ю.С. 2017. Москва: Большая российская энциклопедия.
9. Droz D. et al. // J. Instrum. 2021. V. 16. P. P07036.
10. Aurisano A. et al. // J. Instrum. 2016. V. 11. P. P09001.
11. Martinez J. Arjona et al. // Eur. Phys. J. Plus. 2019. V. 134. P. 333.
12. 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].
13. Минский М., Пейперт С. Персептроны. (Пер. с . англ.). 1971. Москва: Мир.
14. Горбачевская Е.Н. // Вестн. Волжского унив. им. В. Н. Татищева. 2012. № 2. С. 128.
15. Adam. https://pytorch.org/docs/stable/generated/torch.optim.Adam.html.
16. MSELoss. https://pytorch.org/docs/stable/generated/torch.nn.MSELoss.html.
17. Neural networks, fundamental principles of operation, diversity and topology. https://habr.com.
Рецензия
Для цитирования:
Мирошниченко Е.А., Воробьев В.С. ОПРЕДЕЛЕНИЕ МНОЖЕСТВЕННОСТИ МЮОНОВ В СОБЫТИЯХ ДЕКОР ПРИ ПОМОЩИ МЕТОДОВ ГЛУБОКОГО МАШИННОГО ОБУЧЕНИЯ. Ядерная физика и инжиниринг. 2025;16(5):617-622. https://doi.org/10.56304/S2079562925010154. EDN: LQFITA
For citation:
Miroshnichenko E.A., Vorobev V.S. DETERMINATION OF MUONS MULTIPLICITY IN DECOR EVENTS USING DEEP MACHINE LEARNING METHODS. Nuclear Physics and Engineering. 2025;16(5):617-622. (In Russ.) https://doi.org/10.56304/S2079562925010154. EDN: LQFITA
Просмотров:
16
Послать статью по эл. почте 