文献

J-GLOBAL ID：202202256690395441   整理番号：22A0433363

深い学習による深い非弾性散乱の運動学の再構築【JST・京大機械翻訳】

Reconstructing the kinematics of deep inelastic scattering with deep learning

著者 (6件)： Arratia Miguel (Department of Physics and Astronomy, University of California, Riverside, CA 92521, USA) ,  Arratia Miguel (Thomas Jefferson National Accelerator Facility, Newport News, VA 23606, USA) ,  Britzger Daniel (Max-Planck-Institut fuer Physik, Fohringer Ring 6, 80805 Muenchen, Germany) ,  Long Owen (Department of Physics and Astronomy, University of California, Riverside, CA 92521, USA) ,  Nachman Benjamin (Physics Division, Lawrence Berkeley National Laboratory, Berkeley, CA 94720, USA) ,  Nachman Benjamin (Berkeley Institute for Data Science, University of California, Berkeley, CA 94720, USA)
資料名： Nuclear Instruments & Methods in Physics Research. Section A. Accelerators, Spectrometers, Detectors and Associated Equipment  (Nuclear Instruments & Methods in Physics Research. Section A. Accelerators, Spectrometers, Detectors and Associated Equipment)
巻： 1025  ページ： Null  発行年： 2022年 
JST資料番号： D0208B  ISSN： 0168-9002  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 深層ニューラルネットワーク(DNN)を用いて,中性電流深非弾性散乱(DIS)の運動学を再構成する方法を紹介した。伝統的方法とは異なり,散乱電子とハドロンフィナル状態の両方の完全な運動学情報を利用し,放射光子と事象レベル運動量不均衡による事象を同定することによりQED放射を説明した。方法は,HERAと将来のElectron-Ion Collder(EIC)におけるシミュレーション事象によって研究する。DNN法は,全位相空間にわたってすべての従来法よりも優れ,分解能を改善し,バイアスを低減することを示した。著者らの方法は,EICにおける将来の実験の運動学範囲を拡張する可能性を持ち,従って,分極および核DISにおけるそれらの発見可能性を有した。Copyright 2022 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 位相空間 ,  運動量 ,  *散乱 ,  シミュレーション ,  シンクロトロン放射 ,  電流 ,  分解能 ,  ニューラルネットワーク ,  再構成 ,  *深い非弾性散乱 ,  バイアス ,  機械学習
準シソーラス用語： 不均衡 ,  ディープニューラルネットワーク , 【Automatic Indexing@JST】

著者キーワード (6件)： 機械学習 ,  ニューラルネットワーク ,  イベント再構成 ,  深非弾性散乱 ,  HERA ,  EIC

分類 (1件)： 素粒子・核物理実験技術一般  (BE01010F)

タイトルに関連する用語 (4件)： 学習 ,  深い非弾性散乱 ,  運動学 ,  再構築