Residual Neural Networks in High Energy Physics

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21340%2F19%3A00335962" target="_blank" >RIV/68407700:21340/19:00335962 - isvavai.cz</a>

Výsledek na webu

<a href="http://gams.fjfi.cvut.cz/spms2019" target="_blank" >http://gams.fjfi.cvut.cz/spms2019</a>

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

Residual Neural Networks in High Energy Physics

Popis výsledku v původním jazyce

Classification is a crucial step in high energy physics data analysis. As many reconstruction steps in high energy physics are similar to image pattern recognition tasks, we explore the potential of appropriate deep learning techniques in high energy physics (HEP). In particular, convolutional neural networks (CNN) can be used to extract characteristic features from image pixelmaps at different scales and use these features for particle identification. That is why the CNN techniques can be used for interaction classification in neutrino experiments. In this paper, we summarize the results of our research assignment [1]. We present several classification models with different CNN architectures and show the results for particle classification task on a provided HEP dataset.

Název v anglickém jazyce

Residual Neural Networks in High Energy Physics

Popis výsledku anglicky

Classification is a crucial step in high energy physics data analysis. As many reconstruction steps in high energy physics are similar to image pattern recognition tasks, we explore the potential of appropriate deep learning techniques in high energy physics (HEP). In particular, convolutional neural networks (CNN) can be used to extract characteristic features from image pixelmaps at different scales and use these features for particle identification. That is why the CNN techniques can be used for interaction classification in neutrino experiments. In this paper, we summarize the results of our research assignment [1]. We present several classification models with different CNN architectures and show the results for particle classification task on a provided HEP dataset.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10303 - Particles and field physics

Projekt

<a href="/cs/project/LM2015068" target="_blank" >LM2015068: Výzkumná infrastruktura pro experimenty ve Fermilab</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)<br>S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2019

Kód důvěrnosti údajů

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

Název statě ve sborníku

Proceedings of SPMS 2019 - Stochastic and Physical Monitoring Systems

ISBN

978-80-01-06659-1

ISSN

—

e-ISSN

—

Počet stran výsledku

7

Strana od-do

65-71

Název nakladatele

Česká technika - nakladatelství ČVUT

Místo vydání

Praha

Místo konání akce

Dobřichovice

Datum konání akce

20. 6. 2019

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—