Identification of Beam Particles Using Detectors based on Cerenkov effect and Machine Learning in the COMPASS Experiment at CERN
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21340%2F22%3A00374235" target="_blank" >RIV/68407700:21340/22:00374235 - isvavai.cz</a>
Výsledek na webu
—
DOI - Digital Object Identifier
—
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Identification of Beam Particles Using Detectors based on Cerenkov effect and Machine Learning in the COMPASS Experiment at CERN
Popis výsledku v původním jazyce
Cerenkov Differential counters with Achromatic Ring focus (CEDARs) in the COMPASS experiment beamline were designed to identify particles in limited intensity beams with divergence below 65μrad. However, in the 2018 data taking, a beam with a 15 times higher intensity and a beam divergence of up to 300μrad was used, hence the standard data analysis method could not be used. A machine learning approach using neural networks was developed and examined on multiple Monte Carlo simulations. Different types of network were tested and their configurations optimized using a genetic algorithm with the best performing model being integrated into the current data analysis software written in C++. Copyright owned by the author(s) under the terms of the Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License (CC BY-NC-ND 4.0)
Název v anglickém jazyce
Identification of Beam Particles Using Detectors based on Cerenkov effect and Machine Learning in the COMPASS Experiment at CERN
Popis výsledku anglicky
Cerenkov Differential counters with Achromatic Ring focus (CEDARs) in the COMPASS experiment beamline were designed to identify particles in limited intensity beams with divergence below 65μrad. However, in the 2018 data taking, a beam with a 15 times higher intensity and a beam divergence of up to 300μrad was used, hence the standard data analysis method could not be used. A machine learning approach using neural networks was developed and examined on multiple Monte Carlo simulations. Different types of network were tested and their configurations optimized using a genetic algorithm with the best performing model being integrated into the current data analysis software written in C++. Copyright owned by the author(s) under the terms of the Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License (CC BY-NC-ND 4.0)
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
—
OECD FORD obor
10303 - Particles and field physics
Návaznosti výsledku
Projekt
—
Návaznosti
—
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 statě ve sborníku
Proceedings of Science
ISBN
—
ISSN
1824-8039
e-ISSN
1824-8039
Počet stran výsledku
6
Strana od-do
—
Název nakladatele
Sissa Medialab Srl
Místo vydání
Trieste
Místo konání akce
Bologna
Datum konání akce
6. 7. 2022
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
—