深地下中微子实验(Dune)的主要科学目标之一是检测和测量来自银河系核心偏曲超新星的中微子通量。这些中微子提供了研究大型恒星寿命演变的机会,并揭示了有关电磁谱观测到的核心爆发结构的信息。由于这些事件的稀有性,至关重要的是,沙丘能够在发生时检测超新星中微子相互作用。但是,这将需要筛选大量数据,激发触发算法的开发以识别重要事件并丢弃无关数据。机器学习提供了一种潜在的方法来构建此触发因素。该项目在LARTPC检测器中生成了ADC和地面真相图像,用于用于机器学习,并使用它们来训练稀疏的卷积神经网络(CNN)。将检查基于相互作用类型的像素分类任务时,该模型的性能将被检查。该项目发现,稀疏的CNN方法具有高准确性的像素分类,这意味着它可能与开发Supernova Neutminino触发的Dune FAR检测器高度相关。
主要关键词