A comparative analysis of machine learning techniques for muon count in UHECR extensive air-showers
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68378271%3A_____%2F20%3A00546314" target="_blank" >RIV/68378271:_____/20:00546314 - isvavai.cz</a>
Výsledek na webu
<a href="https://doi.org/10.3390/e22111216" target="_blank" >https://doi.org/10.3390/e22111216</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.3390/e22111216" target="_blank" >10.3390/e22111216</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
A comparative analysis of machine learning techniques for muon count in UHECR extensive air-showers
Popis výsledku v původním jazyce
The main goal of this work is to adapt a Physics problem to the Machine Learning (ML) domain and to compare several techniques to solve it. The problem consists of how to perform muon count from the signal registered by particle detectors which record a mix of electromagnetic and muonic signals. Finding a good solution could be a building block on future experiments. After proposing an approach to solve the problem, the experiments show a performance comparison of some popular ML models using two different hadronic models for the test data. The results show that the problem is suitable to be solved using ML as well as how critical the feature selection stage is regarding precision and model complexity.
Název v anglickém jazyce
A comparative analysis of machine learning techniques for muon count in UHECR extensive air-showers
Popis výsledku anglicky
The main goal of this work is to adapt a Physics problem to the Machine Learning (ML) domain and to compare several techniques to solve it. The problem consists of how to perform muon count from the signal registered by particle detectors which record a mix of electromagnetic and muonic signals. Finding a good solution could be a building block on future experiments. After proposing an approach to solve the problem, the experiments show a performance comparison of some popular ML models using two different hadronic models for the test data. The results show that the problem is suitable to be solved using ML as well as how critical the feature selection stage is regarding precision and model complexity.
Klasifikace
Druh
J<sub>imp</sub> - Článek v periodiku v databázi Web of Science
CEP obor
—
OECD FORD obor
10303 - Particles and field physics
Návaznosti výsledku
Projekt
—
Návaznosti
—
Ostatní
Rok uplatnění
2020
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název periodika
Entropy
ISSN
1099-4300
e-ISSN
1099-4300
Svazek periodika
22
Číslo periodika v rámci svazku
11
Stát vydavatele periodika
CH - Švýcarská konfederace
Počet stran výsledku
17
Strana od-do
1216
Kód UT WoS článku
000592764300001
EID výsledku v databázi Scopus
2-s2.0-85094565101