Применение методов машинного обучения для реконструкции нейтринных событий в T2K (A.Шварцман)

Александр Шварцман (ИЯИ РАН) Применение методов машинного обучения для реконструкции нейтринных событий в ближнем детекторе ND280 эксперимента T2K. 3D сегментированный детектор SuperFGD был разработан и создан в рамках программы модернизации ближнего детектора ND280 для эксперимента T2K. Детектор состоит примерно из 2 миллионов сцинтилляционных кубов размером 1 см³ каждый, и его высокая гранулярность обеспечивает исключительную топологическую детализацию треков и ливней частиц, что также представляет собой сложную задачу распознавания образов из-за большой размерности данных. В данном докладе приводится обзор методов машинного обучения, которые в настоящее время используются или находятся в разработке, включая Boosted Decision Trees, Convolutional Neural Networks, PointNet, LSTM, Transformers и Graph Neural Network. Эти методы применяются к таким задачам, как идентификация частиц и определение их заряда, идентификация электромагнитных ливней, разделение e/γ, восстановление энергии частиц с помощью детектора SuperFGD и других детекторов комплекса ND280 эксперимента T2K.