Deep-learning-driven event reconstruction applied to simulated data from a single Large-Sized Telescope of CTA

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985815%3A_____%2F22%3A00567156" target="_blank" >RIV/67985815:_____/22:00567156 - isvavai.cz</a>

Nalezeny alternativní kódy

RIV/68378271:_____/22:00567156 RIV/61989592:15310/22:73617059

Výsledek na webu

<a href="https://pos.sissa.it/395/771/pdf" target="_blank" >https://pos.sissa.it/395/771/pdf</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.22323/1.395.0771" target="_blank" >10.22323/1.395.0771</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Deep-learning-driven event reconstruction applied to simulated data from a single Large-Sized Telescope of CTA

Popis výsledku v původním jazyce

We present the results obtained by applying deep learning techniques to the reconstruction of Monte Carlo simulated events from a single, next-generation IACT, the Large-Sized Telescope (LST) of the Cherenkov Telescope Array (CTA). We use CNNs to separate the gamma-ray-induced events from hadronic events and to reconstruct the properties of the former, comparing their performance to the standard reconstruction technique. Three independent implementations of CNN-based event reconstruction models have been utilized in this work, producing consistent results.

Název v anglickém jazyce

Deep-learning-driven event reconstruction applied to simulated data from a single Large-Sized Telescope of CTA

Popis výsledku anglicky

We present the results obtained by applying deep learning techniques to the reconstruction of Monte Carlo simulated events from a single, next-generation IACT, the Large-Sized Telescope (LST) of the Cherenkov Telescope Array (CTA). We use CNNs to separate the gamma-ray-induced events from hadronic events and to reconstruct the properties of the former, comparing their performance to the standard reconstruction technique. Three independent implementations of CNN-based event reconstruction models have been utilized in this work, producing consistent results.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10303 - Particles and field physics

Projekt

Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.

Návaznosti

I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Rok uplatnění

2022

Kód důvěrnosti údajů

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

Název statě ve sborníku

Proceedings of Science

ISBN

—

ISSN

1824-8039

e-ISSN

—

Počet stran výsledku

10

Strana od-do

771

Název nakladatele

Sissa Medilab srl

Místo vydání

Trieste

Místo konání akce

Berlin

Datum konání akce

12. 7. 2021

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—