Characterization studies of small-strip thin gap chambers for the ATLAS upgrade
Bibliographic record
Abstract
La luminosité du Grand Collisionneur de Hadrons (LHC) situé au laboratoire CERN atteindra jusqu'à 7 fois la valeur nominale à la suite d'une série de mises à niveau techniques planifiées au cours de la prochaine décennie. Ce haut niveau de luminosité est un défi de taille pour les systèmes d'acquisition de données des expériences associées au LHC. Afin de bénéficier de l'augmentation de la luminosité du LHC, le détecteur ATLAS, l'une des expériences de physique des particles du LHC, sera amélioré pendant le « Long Shutdown 2 » du LHC qui débutera en 2019. Une partie du système de détection de muons d'ATLAS sera remplacé dans le but de réduire le taux de déclenchement du système d'acquisition de données pour les événements à un muon sans pour autant augmenter les seuils de quantité de mouvement transverse. La moitié des nouveaux détecteurs seront de type « small-strip Thin Gap Chamber » (sTGC), une variante des détecteurs TGC actuels d'ATLAS, qui se distinguent par une meilleure aptitude pour la localisation de particles. Une simulation d'un ensemble de modules sTGC dans ATLAS a été réalisée afin de confirmer que les méthodes de fabrication des nouveaux modules de détection et que la technologie sTGC permettra d'atteindre les critères de performance demandés pour la mise à niveau d'ATLAS. Des mesures de la résolution spatiale, obtenue en utilisant des rayons cosmiques et un faisceau de pions, sont aussi présentées. La résolution spatiale avec rayons cosmiques est obtenue in-situ en utilisant une technique d'analyse innovatrice qui corrige pour les désalignements entre les plans de détection ainsi que pour d'autres effets intrinsèques. Finalement, une procédure de certification a été développée pour le contrôle qualité des nouveaux détecteurs sTGC. Les résultats de la procédure, obtenus avec un petit détecteur prototype, sont présentés à titre de démonstration de faisabilité.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.000 |
| Insufficient payload (model declined to judge) | 0.003 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".