基于卷积神经网络的新粒子识别方法在GAPS中
摘要：浮空实验GAPS旨在测量低能宇宙射线反粒子。GAPS已经开发了一种基于入射粒子引起的异类原子形成的反粒子鉴别技术，该技术是通过GAPS中的十层Si（Li）探测器跟踪器实现的。传统分析使用了重建的入射和次级粒子的物理量。与此同时，我们还开发了一种基于深度神经网络的补充方法。本文提出了一种新的卷积神经网络（CNN）技术。三维CNN将能量沉积作为三维输入，并学习识别它们的位置/能量相关性。还研究了物理量和CNN技术的组合。研究结果表明，这种新技术在粒子鉴别方面优于现有的基于机器学习的方法。
作者：Masahiro Yamatani, Yusuke Nakagami, Hideyuki Fuke, Akiko Kawachi, Masayoshi Kozai, Yuki Shimizu, and Tetsuya Yoshida
论文ID：2212.13454
分类：Instrumentation and Methods for Astrophysics
分类简称：astro-ph.IM
提交时间：2023-04-20