Inteligencia artificial para mejorar el ajuste de trayectorias de partículas elementales en materiales densos no homogéneos inmersos en un campo magnético

Por • 20 nov, 2022 • Sección: Ciencia y tecnología

Saúl Alonso-Monsalve , Davide Sgalaberna , Xingyu Zhao , Clark McGrew , André Rubbia

En este artículo, utilizamos algoritmos de inteligencia artificial para mostrar cómo mejorar la resolución del ajuste de seguimiento de partículas elementales en detectores densos no homogéneos, como los centelleadores de plástico. Utilizamos el aprendizaje profundo para reemplazar los métodos de filtrado bayesiano más tradicionales, mejorando drásticamente la reconstrucción de la cinemática de partículas que interactúan. Mostramos que una forma específica de red neuronal, heredada del campo del procesamiento del lenguaje natural, está muy cerca del concepto de un filtro bayesiano que adopta un previo hiperinformativo. Tal cambio de paradigma puede influir en el diseño de futuros experimentos de física de partículas y su explotación de datos.

arXiv:2211.04890v1 [physics.data-an] 

Data Analysis, Statistics and Probability (physics.data-an); Machine Learning (cs.LG); High Energy Physics – Experiment (hep-ex)

Post to Twitter

Escribe un comentario