KaydedilenlerDerginizi ekleyin

Dergiler / El-Cezeri / 2022 / Cilt: 9 - Sayı: 3

Çoklu Coulomb Saçılma Verileri ile Derin Sinir Ağlarını Kullanarak Müon Enerjisinin Tahmin Edilmesi

Prediction of Muon Energy using Deep Neural Network with Multiple Coulomb Scattering Data

Güral AYDIN
Sayfa
975–987
Yayın Tarihi
2022-09-30
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Derin sinir ağlarının, fit yöntemine göre çözünürlükleri önemli ölçüde iyileştirdiği gözlemlenmiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışma, yapay sinir ağlarında çoklu Coulomb saçılma verileri kullanılarak müon ışını enerjilerinin belirlenmesine dayanmaktadır.
📊
Temel Bulgular & Veri:Müon parçacıkları, Geant4 tabanlı G4beamline benzetim programı kullanılarak 50 katmanlı bir kurşun nesneden saçıldı.
💡
Sonuç & Katkı:Derin sinir ağlarının, fit yöntemine göre çözünürlükleri önemli ölçüde iyileştirdiği gözlemlenmiştir.
🔬Tür:Araştırma Makalesi
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:momentum spektrumu çözülmesi · müon ışını · çoklu coulomb saçılması

Özet

Bu çalışma, yapay sinir ağlarında çoklu Coulomb saçılma verileri kullanılarak müon ışını enerjilerinin belirlenmesine dayanmaktadır. Müon parçacıkları, Geant4 tabanlı G4beamline benzetim programı kullanılarak 50 katmanlı bir kurşun nesneden saçıldı. Derin sinir ağları ile çalışmadan önce, katman sayısı cinsinden ortalama saçılma açısı dağılımları, müon ışını enerjilerini tahmin etmek için çoklu Coulomb saçılımı için iyi bilinen formül kullanılarak fit yöntemiyle analiz edildi. Daha sonra, müon ışını enerjisini tahmin etmek için derin sinir ağı yapılarında 1'den 10'a kadar katman sayısı üzerinden ortalama saçılma açıları kullanıldı. Derin sinir ağlarının, fit yöntemine göre çözünürlükleri önemli ölçüde iyileştirdiği gözlemlenmiştir.

Abstract

This study is based on the determination of muon beam energies using multiple Coulomb scattering data in artificial neural networks. Muon particles were scattered off a 50-layer lead object by using the G4beamline simulation program which is based on Geant4. Before working with deep neural networks, average scattering angle distributions in terms of the number of crossed layers were analyzed with the fitting method using the well-known formula for multiple Coulomb scattering to estimate muon beam energies. Subsequently, average scattering angles over the number of crossed layers from 1 to 10 were used in deep neural network structures to estimate the muon beam energy. It has been observed that deep neural networks significantly improve the resolutions compared to the ones obtained with the fitting method.

🔖

Bu Makaleye Atıf Yap

AYDIN, G. (2022). Çoklu Coulomb Saçılma Verileri ile Derin Sinir Ağlarını Kullanarak Müon Enerjisinin Tahmin Edilmesi. El-Cezeri, Cilt: 9 - Sayı: 3, 975–987. https://ajindex.com/articles/662579

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (7)

  1. Tao W.M. et al. (Particle Data Group), “Review of Particle Physics”, J. Phys. G: Nucl. Part. Phys, 2006, 33(1):1-1232. Moliere G.V., “Theorie der Streuung schneller geladener Teilchen I”, Z. Naturforschg A, 1947, 2a:133-145; Moliere G.V., “Theorie der Streuung schneller geladener Teilchen II”, Z. Naturforschg A. 1948, 3a:78-97. Bethe H.A., “Molière's Theory of Multiple Scattering”, Phys. Rev. 1953, 89:1256. Olbert S., “Application of the Multiple Scattering Theory to Cloud-Chamber Measurements I”, Phys. Rev, 1952, 87:319. Annis M., Bridge H.S., Olbert S., “Application of the Multiple Scattering Theory to Cloud-Chamber Measurements II”, Phys. Rev., 1953, 89:1216. Voyvodic L., Pickup E., “Multiple Scattering of Fast Particles in Photographic Emulsions”, Phys. Rev., 1952, 85:91. Pinkau K., “Moliere's Theory of Multiple Scattering Applied to the Spark Chamber”, Z. Phys., 1966, 196(2):163-173.
  2. Ambrosio M., Antolini R., Auriemma G., Bakari D., Baldini A., Barbarino G.C. et al., “Muon energy estimate through multiple scattering with the MACRO detector”, Nuclear Instruments and Methods in Physics Research Section A, 2002, 492(3): 376-386.
  3. Ambrosio M., Antolini R., Bakari D., Baldini A., Barbarino G.C., Barish B.C. et al., “Atmospheric neutrino oscillations from upward throughgoing muon multiple scattering in MACRO”, Phys. Lett. B, 2003, 566(1-2): 35-44.
  4. Ankowski A., Antonello M., Aprili P., Arneodo F., Badertscher A., Baiboussinov B. et al., “Measurement of through-going particle momentum by means of multiple scattering with the ICARUS T600 TPC”, Eur. Phys. J C, 2006, 48:667-676.
  5. Borozdin K.N., Hogan G.E., Morris C., Priedhorsky C., Saunders A., Schultz L.J. et al., “Radiographic imaging with cosmic-ray muons”, Nature, 2003, 422: 277. Pesente S., Vanini S., Benettoni M., Bonomi G., Calvini P., Checciha P. et al., “First results on material identification and imaging with a large-volume muon tomography prototype”, Nuclear Instruments and Methods in Physics Research Section A, 2009, 604(3):738-746.
  6. Agafonova N., Aleksandrov A., Altinok O., Anokhina A., Aoki S., Ariga A. et al., “Momentum measurement by the multiple Coulomb scattering method in the OPERA lead-emulsion target”, New Journal of Physics, 2012, 14:013026 (19 pp). Keskenler M., Dal, D., Aydin, T., “Yapay Zeka Destekli ÇOKS Yöntemi ile Kredi Kartı Sahtekarlığının Tespiti", El-Cezeri, 2021, 8(2):1007-1023.
  7. Aylak B., Oral O., Yazıcı K., "Yapay Zeka ve Makine Öğrenmesi Tekniklerinin Lojistik Sektöründe Kullanı