Machine Learning for Accurate Energy Analysis of Double Beta Decay Events
Notice bibliographique
Résumé
Point-contact germanium detectors are used to detect and analyze particles and their decay processes. This research focuses on the search for a phenomenon known as neutrinoless double beta decay, where two neutrons within a nucleus transform into two protons, emitting electrons in the process. Unlike standard double beta decay, no neutrinos are emitted, suggesting that the neutrino may act as its own antiparticle, effectively canceling itself out. Detecting this process would provide crucial insights into the nature of neutrino mass. During such an event, the detector registers a spike in energy due to the emitted electrons, producing a step-like pulse in the output channels. The energy of the event is determined by the difference in charge between the ‘top’ and ‘bottom’ steps of the pulse. However, accurately determining the energy is complicated by the presence of a resistor in the detector, which causes the top step to decay exponentially back to a baseline in preparation for the next event. This decay makes it challenging to determine the true energy of the pulse. My work this summer focused on developing machine learning models to reconstruct the step-like nature of pulses from their decayed versions recorded by the detector. This involved constructing deep neural networks trained on inputs (decayed pulses) and corresponding targets (the original step pulses) to learn to accurately reconstruct the target from the input. Initially, the networks were trained on simulated detector data. Once proficient in reconstruction, electronic noise was added to the input pulses to simulate real-world conditions, under which the models were trained to remove both electronic noise and decay. The models were trained to handle pulses with varying decay constants to improve their generalization ability. These neural networks can now be applied to real detector data for accurate energy analysis of double beta decay events.
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 | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».