Deep Learning-basierte spatio-temporale Multi-Event-Rekonstruktion für Delay-Line-Detektoren: Artikel in Machine Learning: Science and Technology
Delay-Line-Detektoren haben den Vorteil, die Position und Zeit von Teilchenevents mit hoher Präzision detektieren zu können und gleichzeitig Multi-Hit-fähig zu sein.
Unser Artikel stellt einen neuartigen Machine-Learning-Ansatz vor, um die spatio-temporale Auflösung von Delay-LineDetektoren für Multi-Event-Rekonstruktion zu verbessern.
Unter Verwendung von Deep-Learning-Modellen haben wir Techniken entwickelt, um die Position und Zeit von Teilchenevents, die nahe beieinander auftreten, genauer zu detektieren und rekonstruieren zu können, was klassischen Methoden Schwierigkeiten bereitet.
Stark vereinfacht ist der wichtigste Punkt für die korrekte Rekonstruktion bei Delay-Line-Detektoren die Peak-Detektion von Spannungsimpulsen und deren Zuordnung über verschiedene Kanäle hinweg.
Unsere neuronalen Netzwerke ermöglichen dies auch dann, wenn die Peaks so nah beieinander liegen, dass Menschen oder klassische elektronische Hardware sie nicht mehr unterscheiden können.