Attenzione: i dati modificati non sono ancora stati salvati. Per confermare inserimenti o cancellazioni di voci è necessario confermare con il tasto SALVA/INSERISCI in fondo alla pagina
CRIS Current Research Information System
Deep learning algorithms have gained importance in particle physics in the last few years. They have been shown to outperform traditional strategies in particle identification, tracking and energy reconstruction in the most modern high-energy physics experiments. The attractive feature of these techniques is their ability to model large dimensionality inputs and catch nontrivial correlations among the variables, which could be hidden or not easy to model. This paper focuses on the application of deep neural networks to the event reconstruction of the Limadou High-Energy Particle Detector on board the China Seismo-Electromagnetic Satellite. The core of the reconstruction chain is a set of fully connected neural networks that reconstructs the nature, the arrival direction and the kinetic energy of incoming electrons and protons, starting from the signals recorded in the detector. These networks are trained on a dedicated Monte Carlo simulation as representative as possible of real data. We describe the simulation, architecture and methodology adopted to design and train the networks, and finally report on the performance measured on simulated and flight data.
Deep learning based event reconstruction for the Limadou High-Energy Particle Detector / Bartocci, S.; Battiston, R.; Benotto, F.; Beolè, S.; Burger, W. J.; Campana, D.; Castellini, G.; Cipollone, P.; Coli, S.; Conti, L.; Contin, A.; Cristoforetti, M.; de Cilladi, L.; De Donato, C.; De Santis, C.; Follega, F. M.; Gebbia, G.; Iuppa, R.; Lolli, M.; Marcelli, N.; Martucci, M.; Masciantonio, G.; Mergè, M.; Mese, M.; Neubüser, C.; Nozzoli, F.; Oliva, A.; Osteria, G.; Pacini, L.; Palma, F.; Palmonari, F.; Parmentier, A.; Perfetto, F.; Picozza, P.; Piersanti, M.; Pozzato, M.; Ricci, E.; Ricci, M.; Ricciarini, S. B.; Sahnoun, Z.; Scotti, V.; Sotgiu, A.; Sparvoli, R.; Vitale, V.; Zoffoli, S.; Zuccon, P.; null, null. - In: PHYSICAL REVIEW D. - ISSN 2470-0010. - STAMPA. - 105:2(2022), pp. 022004-022017. [10.1103/physrevd.105.022004]
Deep learning based event reconstruction for the Limadou High-Energy Particle Detector
Bartocci, S.;Battiston, R.;Benotto, F.;Beolè, S.;Burger, W. J.;Campana, D.;Castellini, G.
Deep learning algorithms have gained importance in particle physics in the last few years. They have been shown to outperform traditional strategies in particle identification, tracking and energy reconstruction in the most modern high-energy physics experiments. The attractive feature of these techniques is their ability to model large dimensionality inputs and catch nontrivial correlations among the variables, which could be hidden or not easy to model. This paper focuses on the application of deep neural networks to the event reconstruction of the Limadou High-Energy Particle Detector on board the China Seismo-Electromagnetic Satellite. The core of the reconstruction chain is a set of fully connected neural networks that reconstructs the nature, the arrival direction and the kinetic energy of incoming electrons and protons, starting from the signals recorded in the detector. These networks are trained on a dedicated Monte Carlo simulation as representative as possible of real data. We describe the simulation, architecture and methodology adopted to design and train the networks, and finally report on the performance measured on simulated and flight data.
Deep learning based event reconstruction for the Limadou High-Energy Particle Detector / Bartocci, S.; Battiston, R.; Benotto, F.; Beolè, S.; Burger, W. J.; Campana, D.; Castellini, G.; Cipollone, P.; Coli, S.; Conti, L.; Contin, A.; Cristoforetti, M.; de Cilladi, L.; De Donato, C.; De Santis, C.; Follega, F. M.; Gebbia, G.; Iuppa, R.; Lolli, M.; Marcelli, N.; Martucci, M.; Masciantonio, G.; Mergè, M.; Mese, M.; Neubüser, C.; Nozzoli, F.; Oliva, A.; Osteria, G.; Pacini, L.; Palma, F.; Palmonari, F.; Parmentier, A.; Perfetto, F.; Picozza, P.; Piersanti, M.; Pozzato, M.; Ricci, E.; Ricci, M.; Ricciarini, S. B.; Sahnoun, Z.; Scotti, V.; Sotgiu, A.; Sparvoli, R.; Vitale, V.; Zoffoli, S.; Zuccon, P.; null, null. - In: PHYSICAL REVIEW D. - ISSN 2470-0010. - STAMPA. - 105:2(2022), pp. 022004-022017. [10.1103/physrevd.105.022004]
Bartocci, S.; Battiston, R.; Benotto, F.; Beolè, S.; Burger, W. J.; Campana, D.; Castellini, G.; Cipollone, P.; Coli, S.; Conti, L.; Contin, A.; Cristoforetti, M.; de Cilladi, L.; De Donato, C.; De Santis, C.; Follega, F. M.; Gebbia, G.; Iuppa, R.; Lolli, M.; Marcelli, N.; Martucci, M.; Masciantonio, G.; Mergè, M.; Mese, M.; Neubüser, C.; Nozzoli, F.; Oliva, A.; Osteria, G.; Pacini, L.; Palma, F.; Palmonari, F.; Parmentier, A.; Perfetto, F.; Picozza, P.; Piersanti, M.; Pozzato, M.; Ricci, E.; Ricci, M.; Ricciarini, S. B.; Sahnoun, Z.; Scotti, V.; Sotgiu, A.; Sparvoli, R.; Vitale, V.; Zoffoli, S.; Zuccon, P.; null, null
File in questo prodotto:
Eventuali allegati, non sono esposti
I documenti in IRIS sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.
Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/11585/962018
Attenzione
Attenzione! I dati visualizzati non sono stati sottoposti a validazione da parte dell'ateneo
Citazioni
ND
ND
0
social impact
Conferma cancellazione
Sei sicuro che questo prodotto debba essere cancellato?
simulazione ASN
Il report seguente simula gli indicatori relativi alla propria produzione scientifica in relazione alle soglie ASN 2023-2025 del proprio SC/SSD. Si ricorda che il superamento dei valori soglia (almeno 2 su 3) è requisito necessario ma non sufficiente al conseguimento dell'abilitazione. La simulazione si basa sui dati IRIS e sugli indicatori bibliometrici alla data indicata e non tiene conto di eventuali periodi di congedo obbligatorio, che in sede di domanda ASN danno diritto a incrementi percentuali dei valori. La simulazione può differire dall'esito di un’eventuale domanda ASN sia per errori di catalogazione e/o dati mancanti in IRIS, sia per la variabilità dei dati bibliometrici nel tempo. Si consideri che Anvur calcola i valori degli indicatori all'ultima data utile per la presentazione delle domande.
La presente simulazione è stata realizzata sulla base delle specifiche raccolte sul tavolo ER del Focus Group IRIS coordinato dall’Università di Modena e Reggio Emilia e delle regole riportate nel DM 589/2018 e allegata Tabella A. Cineca, l’Università di Modena e Reggio Emilia e il Focus Group IRIS non si assumono alcuna responsabilità in merito all’uso che il diretto interessato o terzi faranno della simulazione. Si specifica inoltre che la simulazione contiene calcoli effettuati con dati e algoritmi di pubblico dominio e deve quindi essere considerata come un mero ausilio al calcolo svolgibile manualmente o con strumenti equivalenti.