研究人员开发了三种深度学习模型，包括一个时空图神经网络和两个基于Transformer的模型，用于识别和抑制液体闪烁体探测器中的碳-14衰变产生的光子击中。这些模型旨在通过区分碳-14信号和实际事件信号（尤其是在时空重叠时）来提高中微子实验的能量分辨率。所提出的模型实现了25%至48%的碳-14召回率，同时将电子-正电子事件的误识别率保持在1%以下。 AI
影响 通过提高信噪比，有潜力提高敏感科学实验的数据质量和分辨率。
排序理由 学术论文，详细介绍了科学仪器信号处理的新方法。[lever_c_demoted from research: ic=1 ai=1.0]
- arXiv
- carbon-14
- Junle Li
- liquid scintillator detectors
- neutrino experiments
- spatiotemporal graph neural network
- Transformer-based Models
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
