高能物理计算和软件会议

Session

机器学习(I)

31 May 2019, 09:00

唐仲英楼B501 (南京大学鼓楼校区)

Conveners

机器学习(I)

• Ye YUAN (高能所)

Contribution list Timetable

8. Classifying the Cosmic-Ray Proton and Light Component on the LHAASO-KM2A Experiment with the Graph Neural Network

JIN Chao

31/05/2019, 09:00

机器学习

Oral

Precise measurement about the cosmic-ray (CR) component knee is essential for revealing the mistery of CR's acceleration and propagation mechanism, as well as exploring the new physics. However, strictly classifying the CR species is a tough task owing to the same hadronic interaction mechanism during their impinging on the atomosphere. Recently, rapid growth has occured in the analysis of the...

32. 基于生成对抗网络的WCDA探测器模拟数据生成

Mr 韬 李 (西安交通大学)

31/05/2019, 09:20

机器学习

Oral

研究背景: 利用Geant4模拟次级粒子在LHAASO-WCDA中的响应存在的如下的困难。 1.运行时间太长 次级粒子能量越高,消耗的时间越长.使用一个CPU核模拟一个能量为100TeV的次级伽马粒子需要7小时。 2.内存消耗太大 高能簇射产生的海量次级粒子信息会导致内存消耗过大的问题.而且每个带电粒子在水中前进1cm都将会产生约300个切伦科夫光子.对这些海量切伦科夫光子一一进行跟踪是不现实的。 现有的优化策略有薄化处理和参数化处理,缓解了以上的问题,但是会损失精度。 基于深度学习的模拟方法-生成对抗网络. 作为一种新的神经网络系统,GAN(Generative Adversarial...

3. Deep Learning applied to hit classification for BESIII drift chamber

沛洵 龙 (高能所)

31/05/2019, 09:40

Oral

Drift chamber is the main tracking detector for high energy physics experiment like BESIII. Due to the high luminosity and high beam intensity, drift chamber is suffer from the background from the beam and electronics which represent a computing challenge to the reconstruction software.Deep learning developments in the last few years have shown tremendous improvements in the analysis of data...

17. 基于卷积神经网络的Muon重建

Mr Yan Liu (Institute of high energy physical)

31/05/2019, 10:00

机器学习

Oral

JUNO实验拥有丰富的物理目标，主要包括测量中微子质量等级和精确测量中微子振荡参数。中微子实验探测器装有2万吨液体闪烁体、周围排布近18000个20英寸的光电倍增管(PMT)。中微子反β衰变（IBD）事例的主要本底来源是高能宇宙μ子带来的次级散裂中子和9Li、8He等放射性同位素，IBD事例和这些本底信号模式类似，很难从物理上进行鉴别区分，但可以通过一定时间内对探测器响应进行μ子反符合来排除这些本底。而进行μ子反符合，需要精确重建μ子的径迹信息。在真实实验中，基于μ子事例的PMT位置、收集的电荷量和最快光时间的空间分布，使用深度学习的方法进行μ子径迹的重建，该方法利用穿过顶部探测器(TT)和中心探测器(CD)的μ子事例作为训练集，使用TT重建的径迹信息作为训练集的标签。但由于穿过TT和CD的事例并不能覆盖穿过CD事例的样本空间，因此提出一种旋转的方法产生覆盖全样本空间的事例作为训练集对模型进行训练。