ترجمه فارسی مقاله افزایش رویدادها در تلسکوپ های نوترینو از طریق وضوح فوق العاده مبتنی بر یادگیری عمیق

چکیده

Recent discoveries by neutrino telescopes, such as the IceCube Neutrino Observatory, relied extensively on machine learning (ML) tools to infer physical quantities from the raw photon hits detected. Neutrino telescope reconstruction algorithms are limited by the sparse sampling of photons by the optical modules due to the relatively large spacing ($10-100\,{\rm m})$ between them. In this letter, we propose a novel technique that learns photon transport through the detector medium through the use of deep learning-driven super-resolution of data events. These “improved” events can then be reconstructed using traditional or ML techniques, resulting in improved resolution. Our strategy arranges additional “virtual” optical modules within an existing detector geometry and trains a convolutional neural network to predict the hits on these virtual optical modules. We show that this technique improves the angular reconstruction of muons in a generic ice-based neutrino telescope. Our results readily extend to water-based neutrino telescopes and other event morphologies.

چکیده به فارسی (ترجمه ماشینی)

اکتشافات اخیر توسط تلسکوپ های نوترینو ، مانند رصدخانه ICECUBE نوترینو ، به ابزارهای یادگیری ماشینی (ML) متکی است تا مقادیر فیزیکی را از برخوردهای فوتون خام تشخیص داده شود.الگوریتم های بازسازی تلسکوپ نوترینو با نمونه گیری پراکنده فوتون ها توسط ماژول های نوری به دلیل فاصله نسبتاً بزرگ (10-100 دلار ، {\ rm m}) بین آنها محدود می شوند.در این نامه ، ما یک تکنیک جدید را پیشنهاد می کنیم که حمل و نقل فوتون را از طریق محیط آشکارساز با استفاده از فوق العاده با وضوح عمیق یادگیری از وقایع داده می آموزد.این رویدادهای “بهبود یافته” می توانند با استفاده از تکنیک های سنتی یا ML بازسازی شوند و در نتیجه وضوح بهبود یافته باشد.استراتژی ما ماژول های نوری “مجازی” اضافی را در یک هندسه آشکارساز موجود ترتیب می دهد و یک شبکه عصبی حلقوی را برای پیش بینی بازدیدها در این ماژول های نوری مجازی آموزش می دهد.ما نشان می دهیم که این تکنیک بازسازی زاویه ای MUON ها را در یک تلسکوپ نوترینو مبتنی بر یخ بهبود می بخشد.نتایج ما به راحتی در تلسکوپ های نوترینو مبتنی بر آب و سایر مورفولوژی های رویداد گسترش می یابد.