利用回归卷积神经网络改进NOvA实验中的能量重建
仪器与探测器
2019-01-30 v3 高能物理 - 实验
摘要
在中微子实验中，中微子能量重建至关重要，因为中微子振荡和微分截面都是中微子能量的函数。由于探测器响应和末态粒子运动学的复杂性，该任务也具有挑战性。我们提出了一种基于回归卷积神经网络(CNN)的方法，用于重建NOvA中微子实验中的电子中微子能量和电子能量。我们证明，在原始探测器像素输入下，即使存在涉及轻子和强子的复杂末态，回归CNN也能重建事件能量。与基于运动学的能量重建相比，该方法显示出显著更优的能量分辨率。重建能量与真实能量之比对真实能量、强子能量分数和相互作用模式的依赖程度相当或更弱。回归CNN在由中微子相互作用模拟带来的系统不确定性上也更小。所提出的能量估计器在 CC和电子的RMS上分别改善了和。该方法也可推广至HEP中的其他回归问题，接替基于运动学的重建任务。
引用
@article{arxiv.1811.04557,
title = {Improved Energy Reconstruction in NOvA with Regression Convolutional Neural Networks},
author = {Pierre Baldi and Jianming Bian and Lars Hertel and Lingge Li},
journal= {arXiv preprint arXiv:1811.04557},
year = {2019}
}
备注
20 pages, 24 figures, accepted by Physical Review D