[2603.28835] प्रोटोटाइप आरपीसी डिटेक्टर में पृष्ठभूमि को दबाने के लिए मशीन लर्निंग-आधारित क्लस्टर वर्गीकरण

सौविक चट्टोपाध्याय और जुबैर अहमद द्वारा लिखित प्रोटोटाइप आरपीसी डिटेक्टर में पृष्ठभूमि को दबाने के लिए मशीन लर्निंग-आधारित क्लस्टर वर्गीकरण नामक पेपर का एक पीडीएफ देखें।

पीडीएफ देखें
HTML (प्रयोगात्मक)

अमूर्त:प्रतिरोधक प्लेट चैंबर्स (आरपीसी) का व्यापक रूप से कई उच्च-ऊर्जा भौतिकी प्रयोगों में ट्रैकिंग डिटेक्टरों के रूप में उपयोग किया जाता है। यह देखा गया है कि कम-प्रतिरोधक बैक्लाइट आरपीसी प्रोटोटाइप अक्सर एक माध्यमिक हिट घटक प्रदर्शित करते हैं, जो ट्रिगर डिटेक्टर के सापेक्ष समय-सहसंबंध स्पेक्ट्रा में एक लंबी पूंछ या एक अतिरिक्त शिखर के रूप में दिखाई देता है। ये द्वितीयक हिट, जो समय और स्थानिक रिज़ॉल्यूशन दोनों को प्रभावित करते हैं, बाहरी ट्रिगर के बिना उच्च दर वाले वातावरण में वास्तविक संकेतों से अलग करना मुश्किल है। परिणामस्वरूप, वे ट्रैक पुनर्निर्माण दक्षता को महत्वपूर्ण रूप से ख़राब कर सकते हैं और प्रसंस्करण समय बढ़ा सकते हैं। हम पंद्रह क्लस्टर-स्तरीय डिस्क्रिप्टर का उपयोग करके सिग्नल और बैकग्राउंड हिट क्लस्टर को अलग करने के लिए एक मशीन-लर्निंग-आधारित रणनीति प्रस्तुत करते हैं जो समय और एडीसी वितरण के सांख्यिकीय गुणों (हिस्टोग्राम माध्य, चौड़ाई, क्लस्टर आकार) और फिट-आधारित पैरामीटर (गॉसियन-फिट माध्य, चौड़ाई, आयाम, ची^2, एनडीएफ) दोनों को एन्कोड करता है। तीन-सिंटिलेटर मास्टर ट्रिगर के साथ एकल-अंतराल कम प्रतिरोधक आरपीसी से एकत्र किए गए प्रयोगशाला डेटा का उपयोग करते हुए, हमने तीन क्लासिफायर-डीएनएन, 1डी-सीएनएन और एक्सजीबूस्ट-ऑन संतुलित सिग्नल/पृष्ठभूमि नमूनों को प्रशिक्षित और मूल्यांकन किया। सभी मॉडल मजबूत भेदभाव क्षमता प्रदर्शित करते हैं, जिसमें XGBoost सबसे मजबूत सामान्यीकरण प्रदर्शन दिखाता है। फ़ीचर-महत्व विश्लेषण इंगित करता है कि क्लस्टर आकार और अस्थायी-आकार वर्णनकर्ता प्रमुख विभेदक हैं। ये परिणाम इस बात पर प्रकाश डालते हैं कि मशीन-लर्निंग क्लासिफायर के साथ संयुक्त कॉम्पैक्ट, व्याख्या योग्य क्लस्टर-स्तरीय विशेषताएं स्व-ट्रिगर कम प्रतिरोधी आरपीसी डिटेक्टरों में पृष्ठभूमि को दबाने के लिए एक व्यावहारिक और प्रभावी दृष्टिकोण प्रदान करती हैं।