A deep learning approach to proton background rejection for positron analysis with the AMS electromagnetic calorimeter
AMS elektromanyetik kalorimetresi ile pozitron analizi için proton arkaplan reddine bir derin öğrenme yaklaşımı
- Tez No: 786262
- Danışmanlar: DR. ÖĞR. ÜYESİ EMRE AKBAŞ, Prof. Dr. MELAHAT BİLGE DEMİRKÖZ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Derin öğrenme, Dönüştürücüler, Kalorimetre, Kozmik ışınlar, Parçacık fiziği, Deep learning, Transformers, Calorimeter, Cosmic rays, Particle physic
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Alfa Manyetik Spektrometresi (AMS), Uluslararası Uzay İstasyonunda altı farklı alt dedektör içeren yüksek hassasiyetli bir parçacık detektörüdür. Geçiş Radyasyonu Detektörü ve Elektromanyetik Kalorimetresi (ECAL), kozmik ışınlarda bol olan proton arka planından elektronları/pozitronları ayırmak için kullanılır. AMS tarafından uzayda ölçülen pozitron akısı, beklenmedik bir şekilde 25 GeV'nin üzerinde yumuşayan ve ardından 280 GeV'nin üzerinde sertleşen bir güç yasasıyla düşer. Birkaç teorik model bu fenomeni açıklamaya çalışır ve onları test etmeye yardımcı olmak için daha yüksek enerjilerde pozitronların daha saf bir ölçümüne ihtiyaç bulunmaktadır. Yüksek enerjilerde proton arka planını reddetmek için şu anda kullanılan yöntemler, güçlendirilmiş karar ağacı ve olasılık sınıflandırıcılarına girdi olarak kullanmak üzere ECAL'den parçacık yağmurunun özelliklerinin tahmin edilmesini içerir. Derin öğrenmeyi (DÖ) kullanarak AMS ECAL ile parçacık tanımlama için yeni bir yaklaşım sunuyoruz. Tüm ECAL hücrelerindeki enerji birikimini bir girdi olarak alarak ve bunlara görüntü benzeri bir formatta pikseller olarak davranarak, parçacık yağmur sınıflandırıcıları olarak bir MLP, bir CNN ve birden çok ResNet'ler ve Evrişimsel Görüntü Dönüştürücü'ler (CvT) eğitiyoruz. Proton reddetme performansı, Monte Carlo (MC) olayları ve AMS verileri kullanılarak ayrı ayrı değerlendirilir. MC için, %90 elektron doğruluğunda 0,2 – 2 TeV arasında yeniden yapılandırılmış enerjiye sahip olaylar kullanıldığında, CvT modelimizin proton reddetme gücü, hem diğer DÖ modellerinden hem de AMS modellerinden 5 kat daha fazladır. Benzer şekilde, yeniden yapılandırılmış enerjisi 50 – 70 GeV arasında olan AMS verileri için, CvT modelimizin proton reddetme gücü, AMS modellerinden 2,5 kat daha fazladır.
Özet (Çeviri)
The Alpha Magnetic Spectrometer (AMS) is a high-precision particle detector onboard the International Space Station containing six different subdetectors. The Transition Radiation Detector and Electromagnetic Calorimeter (ECAL) are used to separate electrons/positrons from the abundant cosmic-ray proton background. The positron flux measured in space by AMS falls with a power law which unexpectedly softens above 25 GeV and then hardens above 280 GeV. Several theoretical models try to explain these phenomena, and a purer measurement of positrons at higher energies is needed to help test them. The currently used methods to reject the proton background at high energies involve extrapolating shower features from the ECAL to use as inputs for boosted decision tree and likelihood classifiers. We present a new approach for particle identification with the AMS ECAL using deep learning (DL). By taking the energy deposition within all the ECAL cells as an input and treating them as pixels in an image-like format, we train an MLP, a CNN, and multiple ResNets and Convolutional vision Transformers (CvTs) as shower classifiers. Proton rejection performance is evaluated using Monte Carlo (MC) events and AMS data separately. For MC, using events with a reconstructed energy between 0.2 – 2 TeV, at 90% electron accuracy, the proton rejection power of our CvT model is more than 5 times that of both the other DL models and the AMS models. Similarly, for AMS data with a reconstructed energy between 50 – 70 GeV, the proton rejection power of our CvT model is more than 2.5 times that of the AMS models.
Benzer Tezler
- Jet energy corrections with deep learning
Yapay öğrenme ile jet enerji düzeltmeleri
ÖMER FATİH DOKUMACI
Yüksek Lisans
İngilizce
2024
Fizik ve Fizik MühendisliğiÖzyeğin ÜniversitesiFizik Ana Bilim Dalı
Prof. Dr. MEHMET BURÇİN ÜNLÜ
PROF. DR. BORA IŞILDAK
- Fuel cell air supply system control using deep q-network
Derin q-aği kullanilarak yakit hücresi hava besleme sistemi kontrolü
EMİR OĞUZ
Yüksek Lisans
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
DOÇ. DR. AHMET ONAT
- Predicting disease-gene associations via machine learning
Makine öğrenmesi ile gen-hastalık ilişkisi tahmini
OSMAN ONUR KUZUCU
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHacettepe ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. TUNCA DOĞAN
- Enhancing hyperspectral and multispectral image fusion using high dimensional model representation
Yüksek boyutlu model gösterimi kullanılarak hiperspektral ve multispektral görüntü füzyonunun iyileştirilmesi
EFE KAHRAMAN
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SÜHA TUNA
- Diffüz optik tomografi sistemlerinde ters problem çözümü için yeni yöntemler
Novel methods for inverse problem solution in diffuse optical tomography systems
SİNEM UYSAL
Doktora
Türkçe
2023
Elektrik ve Elektronik MühendisliğiYıldız Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. UMUT ENGİN AYTEN