基于残差人工神经网络的 CEPC 高粒度量能器原型粒子鉴别研究
高能物理 - 实验
2024-03-12 v4 仪器与探测器
摘要
粒子鉴别 (PID) 在面向粒子流的探测器系统中，将量能器单元中的能量沉积与初级粒子类型相关联方面起着核心作用。本文中，我们提出基于残差网络 (ResNet) 架构的新型 PID 方法，其能够训练极深网络、规避重构特征变量的需求，并确保针对不同探测器几何结构的泛化能力，以分类电磁簇射和强子簇射。使用能量范围 5 GeV 至 120 GeV 的 Geant4 模拟样本，验证了残差连接的有效性，并将我们的模型性能与提升决策树 (BDT) 及其他开创性人工神经网络 (ANN) 方法进行比较。在簇射分类中，我们观察到在广泛的高信号效率 () 范围内背景抑制有所改善。这些发现凸显了带残差块的人工神经网络在粒子物理实验 PID 任务中用于成像探测器的前景。
引用
@article{arxiv.2310.09489,
title = {Study of residual artificial neural network for particle identification in the CEPC high-granularity calorimeter prototype},
author = {Siyuan Song and Jiyuan Chen and Jianbei Liu and Yong Liu and Baohua Qi and Yukun Shi and Jiaxuan Wang and Zhen Wang and Haijun Yang},
journal= {arXiv preprint arXiv:2310.09489},
year = {2024}
}