基于深度生成神经网络的水切伦科夫事件极大似然重建
高能物理 - 实验
2022-02-04 v1
摘要
大型水切伦科夫探测器塑造了当前我们对中微子物理与核子衰变的认知，并在可预见的未来持续如此。这些能力极强的探测器可从光电传感器信号中提取方向、拓扑以及量能信息。当前水切伦科夫重建的最优方法依赖极大似然估计，并采用若干简化假设以使问题可解。本文中，我们描述产生每个光电传感器信号概率密度函数的神经网络，其输入为表征探测器中粒子的若干特征。我们提出的神经网络允许基于似然的事件重建方法相较传统方法大幅减少假设，因而有望改进水切伦科夫探测器当前性能。
引用
@article{arxiv.2202.01276,
title = {Maximum likelihood reconstruction of water Cherenkov events with deep generative neural networks},
author = {Mo Jia and Karan Kumar and Liam S. Mackey and Alexander Putra and Cristovao Vilela and Michael J. Wilking and Junjie Xia and Chiaki Yanagisawa and Karan Yang},
journal= {arXiv preprint arXiv:2202.01276},
year = {2022}
}
备注
Submitted to Frontiers in Big Data