Выделение сигналов от тепловых нейтронов в электронно-нейтронных детекторах с использованием сверточных нейронных сетей в эксперименте ENDA

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Доступ платный или только для подписчиков

Аннотация

В рамках проекта LHAASO (Large High Altitude Air Shower Observatory) в Китае создается установка ENDA (Electron Neutron Detector Array). Концепция установки состоит в одновременной регистрации электромагнитной и адронной компонент широких атмосферных ливней (ШАЛ) с помощью эн-детекторов. Для оценки количества адронов в ШАЛ детекторы установки регистрируют вторичные тепловые нейтроны, задержанные относительно фронта ливня. При этом часть задержанных импульсов создается одновременным прохождением нескольких заряженных частиц через сцинтиллятор (сигнал от одной частицы лежит ниже порога регистрации), а также шумами фотоумножителя. В работе предлагается метод выделения нейтронных импульсов для эн-детекторов с применением сверточных нейронных сетей и проводится сравнение с базисным методом, применяемым в настоящее время на установке.

Об авторах

К. О Куринов

Институт ядерных исследований Российской академии наук

Email: kyrinov.ko@gmail.com
117312, Moscow, Russia

Д. А Кулешов

Институт ядерных исследований Российской академии наук

Email: kyrinov.ko@gmail.com
117312, Moscow, Russia

А. А Лагуткина

Московский физико-технический институт

Email: kyrinov.ko@gmail.com
141701, Dolgoprudnyi, Moscow oblast, Russia

Ю. В Стенькин

Институт ядерных исследований Российской академии наук; Московский физико-технический институт

Email: kyrinov.ko@gmail.com
117312, Moscow, Russia; 141701, Dolgoprudnyi, Moscow oblast, Russia

О. Б Щеголев

Институт ядерных исследований Российской академии наук; Московский физико-технический институт

Автор, ответственный за переписку.
Email: kyrinov.ko@gmail.com
117312, Moscow, Russia; 141701, Dolgoprudnyi, Moscow oblast, Russia

Список литературы

  1. Yu. V. Stenkin, Nucl. Phys. B Proc. Suppl. 196, 293 (2009).
  2. O. B. Shchegolev, V. V. Alekseenko, D. A. Kuleshov et al., J. Phys. Conf. Ser. 1690 (2020).
  3. Yu. V. Stenkin, V. V. Alekseenko, Danzengluobu et al., Bull.Russ. Acad. Sci. Phys. 85, 405 (2021).
  4. О. Б. Щеголев, В. В. Алексеенко, Ю. В. Стенькин и др., Изв. РАН, сер. физ. 83, 691 (2019).
  5. Ю. В. Стенькин, О. Б. Щеголев, Изв. РАН, сер. физ. 81, 541 (2017).
  6. Yu. V. Stenkin, V. V. Alekseenko, D. M. Gromushkin et al., Chinese Phys. C 37, 015001 (2013).
  7. G. Ranucci, Nucl. Instr. Meth. A 354, 389 (1995).
  8. F. Pino, L. Stevanato, D. Cester et al., J. Instrument. 10, T08005 (2015).
  9. J. K. Polack, M. Flaska, A. Enqvist et al., Nucl. Instr. Meth. A 795, 253 (2015).
  10. E. Doucet, T. Brown, P. Chowdhury et al., Nucl. Instr. Meth. A 954, 161201 (2020).
  11. T. S. Sanderson, C. D. Scott, M. Flaska et al., IEEE Nuclear Science Symposium and Medical Imaging Conference Record (NSS/MIC), 199 (2012).
  12. J. Gri ths, S. Kleinegesse, D. Saunders et al., Machine Learning: Science and Technology 1, 045022 (2020).
  13. Д. М. Громушкин, А. А. Петрухин, Ю. В. Стенькин и др., Изв. РАН, сер. физ. 73, 425 (2009).
  14. Ю. В. Стенькин, В. В. Алексеенко, А. С. Багрова и др., Изв. РАН, сер. физ. 81, 179 (2017).
  15. W. S. Cleveland, American Statistician 35, 54 (1981).
  16. P. Refaeilzadeh, L. Tang, and H. Liu, Encyclopedia of Database Systems 5, 532 (2009).
  17. A. Paszke, S. Gross, F. Massa et al., Advances in Neural Information Processing Systems 32, 8026 (2019).
  18. J. Deng, J. Guo, T. Liu et al., arXiv: 1801.07698.
  19. L. Van der Maaten and G. Hinton, J. Machine Learning Res. 9, 2579 (2008).
  20. D. P. Kingma and J. Ba, arXiv:1412.6980.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© Российская академия наук, 2023