Predicting Direction of Supernova Events Through the Use of Convolutional Neural Networks
Notice bibliographique
Résumé
Manual supernova direction prediction is time-consuming and often does not allow enough time for telescopes to catch the supernova event. Using machine learning, it is possible to develop an algorithm that can quickly determine the supernova direction. In this paper, a machine learning approach to predicting the direction of supernova events are applied with promising results. Neutrinos are subatomic particles that are at least six orders of magnitudes smaller than the mass of an electron. Following Colgate and White's theory of supernova neutrino production, neutrinos emitted by supernovas can be detected before the first electromagnetic emissions can be detected. However, neutrino interactions with matter are minimal and feeble. They have no electric charge. This makes them difficult to detect. As part of this research project, we are using simulated data representing detected neutrino events from the Super-K observatory. We used 80% of the data as a training set and 20% was a testing set. Both feature and label values were normalized into the range between 0 and 1. We used a Convolutional Neural Network to process inputs from a 1D array representing the image containing event data. The overall results of the model (67% of the time, model prediction is within 5 degrees of the actual event, and 99% of the time, model prediction is within 10 degrees of the actual event) were similar to the currently used prediction methods. However, once the models are trained, the detection can be much faster, as the results can be obtained within seconds.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».