无监督学习在主动靶实验事件识别中的应用
计算机视觉与模式识别
2021-07-07 v3 核实验
摘要
本文提出了无监督机器学习方法在主动靶探测器（主动靶时间投影室，AT-TPC）中事件分离问题的新应用。总体目标是在数据分析早期阶段对相似事件进行分组，从而通过限制对不必要事件的计算昂贵处理来提高效率。介绍了将无监督聚类算法应用于来自 Ar 共振质子散射实验的粒子径迹二维投影的分析。我们探索了自编码器神经网络和预训练的 VGG16 卷积神经网络的性能。我们研究了在模拟的 Ar 实验数据以及来自 AT-TPC 探测器的真实事件上的聚类性能。我们发现，应用于 VGG16 潜空间中模拟数据的 -means 算法形成了近乎完美的簇。此外，VGG16+-means 方法为真实实验数据找到了高纯度的质子事件簇。我们还探索了聚类自编码器神经网络潜空间以进行事件分离的应用。尽管这些网络表现出强劲性能，但其结果存在高度变异性。
引用
@article{arxiv.2008.02757,
title = {Unsupervised Learning for Identifying Events in Active Target Experiments},
author = {Robert Solli and Daniel Bazin and Michelle P. Kuchera and Ryan R. Strauss and Morten Hjorth-Jensen},
journal= {arXiv preprint arXiv:2008.02757},
year = {2021}
}