基于神经网络与集成学习的核探测器信号通用不确定性估计
数据分析、统计与概率
2022-03-01 v4
摘要
表征不确定性是核测量中的常见问题，对可靠的物理发现具有重要意义。传统方法要么不足以应对不确定性的异质性质，要么在未知数学模型下表现不佳。在本文中，我们提出使用多层卷积神经网络对核脉冲信号进行经验不确定性估计与特征提取。该方法基于深度学习——机器学习技术的最近发展，其从训练数据中学习所需的映射函数并泛化至未见的测试数据。此外，利用集成学习来估计源于网络可训练参数的不确定性，并提升整体模型的鲁棒性。为评估所提方法的性能，仿真研究在与曲线拟合的对比下考察了广泛条件，并展示了其通用适用性。最后，利用在德国 DESY 暴露于测试束流的 NICA-MPD 电磁量能器模块的数据进行了案例研究。该不确定性估计方法成功检测出分布外样本，并在时间与能量测量中取得了良好精度。
引用
@article{arxiv.2110.04975,
title = {Universal uncertainty estimation for nuclear detector signals with neural networks and ensemble learning},
author = {Pengcheng Ai and Zhi Deng and Yi Wang and Chendi Shen},
journal= {arXiv preprint arXiv:2110.04975},
year = {2022}
}
备注
24 pages, 15 figures. This is the Accepted Manuscript version of an article accepted for publication in Journal of Instrumentation. Neither SISSA Medialab Srl nor IOP Publishing Ltd is responsible for any errors or omissions in this version of the manuscript or any version derived from it. The Version of Record is available online at https://doi.org/10.1088/1748-0221/17/02/P02032