Deep learning based algorithms in astroparticle physics
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68378271%3A_____%2F20%3A00548785" target="_blank" >RIV/68378271:_____/20:00548785 - isvavai.cz</a>
Výsledek na webu
<a href="https://iopscience.iop.org/article/10.1088/1742-6596/1525/1/012112/pdf" target="_blank" >https://iopscience.iop.org/article/10.1088/1742-6596/1525/1/012112/pdf</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1088/1742-6596/1525/1/012112" target="_blank" >10.1088/1742-6596/1525/1/012112</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Deep learning based algorithms in astroparticle physics
Popis výsledku v původním jazyce
In recent years, great progress has been made in the fields of machine translation, image classification and speech recognition by using deep neural networks and associated techniques (deep learning). Recently, the astroparticle physics community successfully adapted supervised learning algorithms for a wide range of tasks including background rejection, object reconstruction, track segmentation and the denoising of signals. Additionally, the first approaches towards fast simulations and simulation refinement indicate the huge potential of unsupervised learning for astroparticle physics. We summarize the latest results, discuss the algorithms and challenges and further illustrate the opportunities for the astrophysics community offered by deep learning based algorithms.
Název v anglickém jazyce
Deep learning based algorithms in astroparticle physics
Popis výsledku anglicky
In recent years, great progress has been made in the fields of machine translation, image classification and speech recognition by using deep neural networks and associated techniques (deep learning). Recently, the astroparticle physics community successfully adapted supervised learning algorithms for a wide range of tasks including background rejection, object reconstruction, track segmentation and the denoising of signals. Additionally, the first approaches towards fast simulations and simulation refinement indicate the huge potential of unsupervised learning for astroparticle physics. We summarize the latest results, discuss the algorithms and challenges and further illustrate the opportunities for the astrophysics community offered by deep learning based algorithms.
Klasifikace
Druh
D - Stať ve sborníku
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 statě ve sborníku
Journal of Physics: Conference Series
ISBN
—
ISSN
1742-6588
e-ISSN
—
Počet stran výsledku
7
Strana od-do
1-7
Název nakladatele
IOP Publishing Ltd.
Místo vydání
Bristol
Místo konání akce
Saas-Fee
Datum konání akce
11. 3. 2019
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
000618973400112