Аннотация
В исследовании были применены методы машинного обучения для идентификации частиц при моделировании детектора SPD на коллайдере NICA. Представлены результаты идентификации мюонных треков, возникающих в результате распада чармония, и пионных треков в области промежуточных импульсов (1,5–2,5 ГэВ/c). Полученная точность классификатора составляет 77% при сохранении 99% мюонов и подавлении 48% пионов. Эффективность разработанного бинарного классификатора продемонстрирована путем подавления фоновых событий в распадах J/ψ → µµ.
Библиографические ссылки
[1] SPD Collaboration, Technical Design Report of the Spin Physics Detector at NICA, Natural Sci.Rev. 1 (1) (2024). doi:10.48550/arXiv.2404.08317.
[2] SPD Collaboration, SPDRoot, https://spd.jinr.ru/spd-software/.
[3] L. J. Fogel, A. J. Owens, and M. J. Walsh, Artificial Intelligence through Simulated Evolution, New York, 1966.
[4] J. H. Holland, Adaptation in Natural and Artificial Systems: An Introductory Analysis with Applications to Biology, Control, and Artificial Intelligence, 1975. doi:https://doi.org/10.7551/mitpress/1090.001.0001. DOI: https://doi.org/10.7551/mitpress/1090.001.0001
[5] F. Chollet et al., Keras: The Python Deep Learning Library, https://keras.io/, accessed: 2018-06.
Лицензия
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial» («Атрибуция — Некоммерческое использование») 4.0 Всемирная.