Muon Identification using Neural Networks With the Muon Telescope Detector at STAR

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61389005%3A_____%2F19%3A00503101" target="_blank" >RIV/61389005:_____/19:00503101 - isvavai.cz</a>

Výsledek na webu

<a href="https://doi.org/10.1016/j.nuclphysa.2018.10.036" target="_blank" >https://doi.org/10.1016/j.nuclphysa.2018.10.036</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1016/j.nuclphysa.2018.10.036" target="_blank" >10.1016/j.nuclphysa.2018.10.036</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Muon Identification using Neural Networks With the Muon Telescope Detector at STAR

Popis výsledku v původním jazyce

The installation of the Muon Telescope Detector (MTD) at STAR allows a measurement of the dimuon (mu(+)mu(-)) production in heavy-ion collisions over a large invariant mass range for the first time. Data has been collected with the MTD from Au+Au collisions at root S-NN = 200 GeV and from p+p collisions at root S = 200 GeV. These two datasets allow for new opportunities to measure the dimuon invariant mass spectra at STAR. Before any dimuon measurements can be made, muons must be identified. This contribution presents muon identification employing deep neural networks (DNN) and compares it with other multi-variate techniques. Applications of the DNN technique for data-driven purity measurements are discussed.

Název v anglickém jazyce

Muon Identification using Neural Networks With the Muon Telescope Detector at STAR

Popis výsledku anglicky

The installation of the Muon Telescope Detector (MTD) at STAR allows a measurement of the dimuon (mu(+)mu(-)) production in heavy-ion collisions over a large invariant mass range for the first time. Data has been collected with the MTD from Au+Au collisions at root S-NN = 200 GeV and from p+p collisions at root S = 200 GeV. These two datasets allow for new opportunities to measure the dimuon invariant mass spectra at STAR. Before any dimuon measurements can be made, muons must be identified. This contribution presents muon identification employing deep neural networks (DNN) and compares it with other multi-variate techniques. Applications of the DNN technique for data-driven purity measurements are discussed.

Druh

J_imp - Článek v periodiku v databázi Web of Science

CEP obor

—

OECD FORD obor

10304 - Nuclear physics

Projekt

—

Návaznosti

I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Rok uplatnění

2019

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název periodika

Nuclear Physics. A

ISSN

0375-9474

e-ISSN

—

Svazek periodika

982

Číslo periodika v rámci svazku

2

Stát vydavatele periodika

NL - Nizozemsko

Počet stran výsledku

4

Strana od-do

192-194

Kód UT WoS článku

000457515500032

EID výsledku v databázi Scopus

2-s2.0-85060141412