MUSIC探测器中基于统计和机器学习方法的α诱导反应事件分类
摘要：使用多重采样电离室(MUSIC)探测器通常用于测量与核天体物理学、聚变研究和其他应用相关的核反应截面。从一次实验所产生的MUSIC数据中，科学家们仔细从约$10^9$个总事件中提取出约$10^3$个感兴趣的事件，每个事件可以用18维向量表示。然而，标准的数据分类过程是基于专家驱动、手动密集型的数据分析技术，需要几个月的时间才能确定模式并对收集到的数据进行分类。为了解决这个问题，我们提出了一种将统计和机器学习方法相结合的事件分类方法，相对于标准技术，这种方法需要从领域科学家那里得到更少的输入。 我们将这种新方法应用于两组实验数据，并将结果与使用传统方法得到的结果进行比较。除个别情况外，我们方法分类的事件数量与使用传统方法得到的结果相符，误差不超过$\pm20\%$。通过这种第一种适用于MUSIC数据的方法，我们为使用MUSIC探测器从实验中自动提取感兴趣的物理事件奠定了基础。
作者：Krishnan Raghavan, Melina L. Avila, Prasanna Balaprakash, Heshani Jayatissa, Daniel Santiago-Gonzalez
论文ID：2204.03137
分类：Data Analysis, Statistics and Probability
分类简称：physics.data-an
提交时间：2022-04-08