基于深度学习的液态氩时间投影室原始波形感兴趣区域寻找器
仪器与探测器
2022-01-14 v3 高能物理 - 实验
摘要
液态氩时间投影室（LArTPC）探测技术具有测量太阳与超新星产生的低能中微子性质以及寻找极低速区奇异物理的优异能力。为实现这些物理目标，识别并重建每条TPC丝上记录波形中的信号至关重要。在本文中，我们报告一种基于一维卷积神经网络（CNN）的新算法，用于在原始波形中寻找感兴趣区域（ROI）。我们使用来自ArgoNeuT实验的数据，结合改进的噪声抑制流程与更真实的事件驱动噪声模型，对该算法进行测试。该深度学习ROI寻找器在提取小信号方面表现出良好性能，并在约0.03–0.1 MeV的低能区给出约为传统算法两倍的效率。该方法为利用LArTPC探索低能物理提供了巨大潜力。
引用
@article{arxiv.2103.06391,
title = {A deep-learning based raw waveform region-of-interest finder for the liquid argon time projection chamber},
author = {ArgoNeuT Collaboration and R. Acciarri and B. Baller and V. Basque and C. Bromberg and F. Cavanna and D. Edmunds and R. S. Fitzpatrick and B. Fleming and P. Green and C. James and I. Lepetic and X. Luo and O. Palamara and G. Scanavini and M. Soderberg and J. Spitz and A. M. Szelc and L. Uboldi and M. H. L. S. Wang and W. Wu and T. Yang},
journal= {arXiv preprint arXiv:2103.06391},
year = {2022}
}
备注
15 pages, 12 figures