ОФНЖурнал экспериментальной и теоретической физики Journal of Experimental and Theoretical Physics

  • ISSN (Print) 0044-4510
  • ISSN (Online) 3034-641X

Выделение сигналов от тепловых нейтронов в электронно-нейтронных детекторах с использованием сверточных нейронных сетей в эксперименте ENDA

Код статьи
10.31857/S0044451023040090-1
DOI
10.31857/S0044451023040090
Тип публикации
Статья
Статус публикации
Опубликовано
Авторы
Том/ Выпуск
Том 163 / Номер выпуска 4
Страницы
524-530
Аннотация
В рамках проекта LHAASO (Large High Altitude Air Shower Observatory) в Китае создается установка ENDA (Electron Neutron Detector Array). Концепция установки состоит в одновременной регистрации электромагнитной и адронной компонент широких атмосферных ливней (ШАЛ) с помощью эн-детекторов. Для оценки количества адронов в ШАЛ детекторы установки регистрируют вторичные тепловые нейтроны, задержанные относительно фронта ливня. При этом часть задержанных импульсов создается одновременным прохождением нескольких заряженных частиц через сцинтиллятор (сигнал от одной частицы лежит ниже порога регистрации), а также шумами фотоумножителя. В работе предлагается метод выделения нейтронных импульсов для эн-детекторов с применением сверточных нейронных сетей и проводится сравнение с базисным методом, применяемым в настоящее время на установке.
Ключевые слова
Дата публикации
15.04.2023
Год выхода
2023
Всего подписок
0
Всего просмотров
31

Библиография

  1. 1. Yu. V. Stenkin, Nucl. Phys. B Proc. Suppl. 196, 293 (2009).
  2. 2. O. B. Shchegolev, V. V. Alekseenko, D. A. Kuleshov et al., J. Phys. Conf. Ser. 1690 (2020).
  3. 3. Yu. V. Stenkin, V. V. Alekseenko, Danzengluobu et al., Bull.Russ. Acad. Sci. Phys. 85, 405 (2021).
  4. 4. О. Б. Щеголев, В. В. Алексеенко, Ю. В. Стенькин и др., Изв. РАН, сер. физ. 83, 691 (2019).
  5. 5. Ю. В. Стенькин, О. Б. Щеголев, Изв. РАН, сер. физ. 81, 541 (2017).
  6. 6. Yu. V. Stenkin, V. V. Alekseenko, D. M. Gromushkin et al., Chinese Phys. C 37, 015001 (2013).
  7. 7. G. Ranucci, Nucl. Instr. Meth. A 354, 389 (1995).
  8. 8. F. Pino, L. Stevanato, D. Cester et al., J. Instrument. 10, T08005 (2015).
  9. 9. J. K. Polack, M. Flaska, A. Enqvist et al., Nucl. Instr. Meth. A 795, 253 (2015).
  10. 10. E. Doucet, T. Brown, P. Chowdhury et al., Nucl. Instr. Meth. A 954, 161201 (2020).
  11. 11. T. S. Sanderson, C. D. Scott, M. Flaska et al., IEEE Nuclear Science Symposium and Medical Imaging Conference Record (NSS/MIC), 199 (2012).
  12. 12. J. Gri ths, S. Kleinegesse, D. Saunders et al., Machine Learning: Science and Technology 1, 045022 (2020).
  13. 13. Д. М. Громушкин, А. А. Петрухин, Ю. В. Стенькин и др., Изв. РАН, сер. физ. 73, 425 (2009).
  14. 14. Ю. В. Стенькин, В. В. Алексеенко, А. С. Багрова и др., Изв. РАН, сер. физ. 81, 179 (2017).
  15. 15. W. S. Cleveland, American Statistician 35, 54 (1981).
  16. 16. P. Refaeilzadeh, L. Tang, and H. Liu, Encyclopedia of Database Systems 5, 532 (2009).
  17. 17. A. Paszke, S. Gross, F. Massa et al., Advances in Neural Information Processing Systems 32, 8026 (2019).
  18. 18. J. Deng, J. Guo, T. Liu et al., arXiv: 1801.07698.
  19. 19. L. Van der Maaten and G. Hinton, J. Machine Learning Res. 9, 2579 (2008).
  20. 20. D. P. Kingma and J. Ba, arXiv:1412.6980.
QR
Перевести

Индексирование

Scopus

Scopus

Scopus

Crossref

Scopus

Высшая аттестационная комиссия

При Министерстве образования и науки Российской Федерации

Scopus

Научная электронная библиотека