Separation of track- and shower-like energy deposits in ProtoDUNE-SP using a convolutional neural network
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68378271%3A_____%2F22%3A00563954" target="_blank" >RIV/68378271:_____/22:00563954 - isvavai.cz</a>
Nalezeny alternativní kódy
RIV/00216208:11320/22:10455169 RIV/68407700:21340/22:00361096
Výsledek na webu
<a href="https://hdl.handle.net/11104/0335738" target="_blank" >https://hdl.handle.net/11104/0335738</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1140/epjc/s10052-022-10791-2" target="_blank" >10.1140/epjc/s10052-022-10791-2</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Separation of track- and shower-like energy deposits in ProtoDUNE-SP using a convolutional neural network
Popis výsledku v původním jazyce
Liquid argon time projection chamber detector technology provides high spatial and calorimetric resolutions on the charged particles traversing liquid argon. As a result, the technology has been used in a number of recent neutrino experiments, and is the technology of choice for the Deep Underground Neutrino Experiment (DUNE). In order to perform high precision measurements of neutrinos in the detector, final state particles need to be effectively identified, and their energy accurately reconstructed. This article proposes an algorithm based on a convolutional neural network to perform the classification of energy deposits and reconstructed particles as track-like or arising from electromagnetic cascades. Results from testing the algorithm on experimental data from ProtoDUNE-SP, a prototype of the DUNE far detector, are presented.
Název v anglickém jazyce
Separation of track- and shower-like energy deposits in ProtoDUNE-SP using a convolutional neural network
Popis výsledku anglicky
Liquid argon time projection chamber detector technology provides high spatial and calorimetric resolutions on the charged particles traversing liquid argon. As a result, the technology has been used in a number of recent neutrino experiments, and is the technology of choice for the Deep Underground Neutrino Experiment (DUNE). In order to perform high precision measurements of neutrinos in the detector, final state particles need to be effectively identified, and their energy accurately reconstructed. This article proposes an algorithm based on a convolutional neural network to perform the classification of energy deposits and reconstructed particles as track-like or arising from electromagnetic cascades. Results from testing the algorithm on experimental data from ProtoDUNE-SP, a prototype of the DUNE far detector, are presented.
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
Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.
Návaznosti
I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace
Ostatní
Rok uplatnění
2022
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název periodika
European Physical Journal C
ISSN
1434-6044
e-ISSN
1434-6052
Svazek periodika
82
Číslo periodika v rámci svazku
10
Stát vydavatele periodika
DE - Spolková republika Německo
Počet stran výsledku
19
Strana od-do
903
Kód UT WoS článku
000866503200001
EID výsledku v databázi Scopus
2-s2.0-85139783137