h1

000808442 001__ 808442
000808442 005__ 20230411161249.0
000808442 0247_ $$2HBZ$$aHT020672473
000808442 0247_ $$2Laufende Nummer$$a39929
000808442 0247_ $$2datacite_doi$$a10.18154/RWTH-2020-12064
000808442 037__ $$aRWTH-2020-12064
000808442 041__ $$aEnglish
000808442 082__ $$a530
000808442 1001_ $$0P:(DE-588)1223571033$$aXu, Yu$$b0$$urwth
000808442 245__ $$aMachine learning application in low energy liquid scintillator neutrino experiment$$cvorgelegt von Yu Xu$$honline
000808442 260__ $$aAachen$$c2020
000808442 260__ $$c2021
000808442 300__ $$a1 Online-Ressource (ii, xv, 153 Seiten) : Illustrationen, Diagramme
000808442 3367_ $$02$$2EndNote$$aThesis
000808442 3367_ $$0PUB:(DE-HGF)11$$2PUB:(DE-HGF)$$aDissertation / PhD Thesis$$bphd$$mphd
000808442 3367_ $$2BibTeX$$aPHDTHESIS
000808442 3367_ $$2DRIVER$$adoctoralThesis
000808442 3367_ $$2DataCite$$aOutput Types/Dissertation
000808442 3367_ $$2ORCID$$aDISSERTATION
000808442 500__ $$aVeröffentlicht auf dem Publikationsserver der RWTH Aachen University 2021
000808442 502__ $$aDissertation, RWTH Aachen University, 2020$$bDissertation$$cRWTH Aachen University$$d2020$$gFak01$$o2020-11-30
000808442 5203_ $$aNeutrinos sind die Schlüssel für die Physik jenseits des Standardmodells, da die Neutrinoschwingung das direkt beobachtete neue physikalische Phänomen ist. Wir verwenden die PMNS-Matrix, um dieses Phänomen zu beschreiben. In der Matrix gibt es sechs freie Parameter: drei Mischwinkel $\theta_{12}$, $\theta_{23}$, $\theta_{13}$; zwei Unterschiede der quadratischen Neutrinomassen $\Delta m^2_{21}$, $\Delta m^2_{32}$; und CP-Verletzungswinkel $\delta_{CP}$. Heutzutage gibt es eineinhalb unbekannte Parameter: Vorzeichen von $\Delta m^2_{32}$ and $\delta_{CP}$. Das Experiment des Jiangmen Underground Neutrino Observatory (JUNO) wurde entwickelt, um das Vorzeichen von $\Delta m^2_{32}$ zu messen. Mit 6-Jahres-Daten wollen wir ein Konfidenzniveau von 3 $\sigma$ erreichen. Erreichen Zu diesem Zweck konstruieren wir einen 20-kt-Flüssigszintillator (LS) -Detektor zur Messung des Energiespektrums von$\bar{\nu}_e$ aus dem Kernkraftwerk Yangjiang und Taishan (NPP). Maschinelles Lernen (ML) wird in der Datenanalyse immer beliebter. Es kann den Rekonstruktionsprozess mit schnellerer Geschwindigkeit und besserer Leistung vereinfachen. In dieser Arbeit werde ich die Anwendung der ML-Anwendung im JUNO-Experiment diskutieren, einschlie$\beta$lich Waveform rekonstruktion, Partikelidentifikation und Vertex/Energie-Rekonstruktion. Die Waveform rekonstruktion ist die Basis für andere Rekonstruktionen. In dieser Arbeit zeige ich das Potenzial von ML für die Waveform rekonstruktion: Zeitrekonstruktion jedes einzelnen Treers, was mit herkömmlichen Methoden unmöglich ist. Die Partikelidentifikation (PID) kann das Hintergrund/Signal (B/S) -Verhältnis verringern und die Empfindlichkeit des Experiments verbessern. In dieser Arbeit untersuchen wir das Potenzial der Partikelidentifikation (PID) mit der Methode des maschinellen Lernens. Wir können 95\% Signal mit 5\% Hintergrund für Alpha/Beta Diskriminierung und 50\% Signal mit 5\% Hintergrund für Elektronen/Positron Diskriminierung erreichen. Wir führen auch eine Untersuchung zur Vertex- und Energierekonstruktion mit der Methode des maschinellen Lernens durch und stellen fest, dass wir die Anforderung einer Energieauflösung von 3\% erfüllen können.$$lger
000808442 520__ $$aNeutrinos are the keys for physics beyond the Standard Model, since neutrino oscillationis the directly observed new physics phenomena. We use PMNS matrix to describe this phenomena. In the matrix, there are six free parameters: three mixing angles $\theta_{12}$, $\theta_{23}$, $\theta_{13}$; two difference of the squared neutrino masses $\Delta m^2_{21}$, $\Delta m^2_{32}$; and CP violation angle $\delta_{CP}$. Nowadays, there are one and half unknown parameters: sign of $\Delta m^2_{32}$ and $\delta_{CP}$.The Jiangmen Underground Neutrino Observatory (JUNO) Experiment was designed to measure the sign of $\Delta m^2_{32}$, and we aim to achieve 3 $\sigma$ confidence level with 6 years data. To achieve this goal, we construct a 20 kt liquid scintillator (LS) detector to measure the $\bar{\nu}_e$ energy spectrum from Yangjiang and Taishan Nuclear Power Plant(NPP). Machine Learning (ML) is becoming more and more popular in data analysis. It can simplify the process of reconstruction with faster speed and better performance. In this thesis I will discuss the application of ML application in JUNO experiment, including waveform reconstruction, particle identification, and vertex/energy reconstruction. Waveform reconstruction is the base for other reconstructions. In this thesis, I show the potential of ML on waveform reconstruction: time reconstruction of each single hit, which is impossible with traditional method. Particle identification (PID) can reduce background/signal (B/S) ratio and improve the sensitivity of the experiment. In this thesis, we study the potential of particle identification (PID) with machine learning method. We can receive 95\% signal with 5\% background for alpha/beta discrimination, and 50\% signal with 5\% background for electron/positron discrimination. We also perform a research on vertex and energy reconstruction with machine learning method, and find that we can meet the requirement of 3\% energy resolution.$$leng
000808442 588__ $$aDataset connected to Lobid/HBZ
000808442 591__ $$aGermany
000808442 653_7 $$aliquid scintillator
000808442 653_7 $$amachine learning
000808442 653_7 $$aneutrino
000808442 653_7 $$areconstruction
000808442 7001_ $$0P:(DE-82)IDM02778$$aLudhová, Livia$$b1$$eThesis advisor$$urwth
000808442 7001_ $$0P:(DE-82)IDM00167$$aStahl, Achim$$b2$$eThesis advisor$$urwth
000808442 8564_ $$uhttps://publications.rwth-aachen.de/record/808442/files/808442.pdf$$yOpenAccess
000808442 8564_ $$uhttps://publications.rwth-aachen.de/record/808442/files/808442_source.zip$$yRestricted
000808442 8564_ $$uhttps://publications.rwth-aachen.de/record/808442/files/808442.gif?subformat=icon$$xicon$$yOpenAccess
000808442 8564_ $$uhttps://publications.rwth-aachen.de/record/808442/files/808442.jpg?subformat=icon-180$$xicon-180$$yOpenAccess
000808442 8564_ $$uhttps://publications.rwth-aachen.de/record/808442/files/808442.jpg?subformat=icon-700$$xicon-700$$yOpenAccess
000808442 909CO $$ooai:publications.rwth-aachen.de:808442$$pdnbdelivery$$pdriver$$pVDB$$popen_access$$popenaire
000808442 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-588)1223571033$$aRWTH Aachen$$b0$$kRWTH
000808442 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-82)IDM02778$$aRWTH Aachen$$b1$$kRWTH
000808442 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-82)IDM00167$$aRWTH Aachen$$b2$$kRWTH
000808442 9141_ $$y2020
000808442 915__ $$0StatID:(DE-HGF)0510$$2StatID$$aOpenAccess
000808442 9201_ $$0I:(DE-82)133510_20140620$$k133510$$lLehrstuhl für Experimentalphysik III B$$x0
000808442 9201_ $$0I:(DE-82)130000_20140620$$k130000$$lFachgruppe Physik$$x1
000808442 961__ $$c2021-01-27T13:46:41.855610$$x2020-12-09T02:03:48.810828$$z2021-01-27T13:46:41.855610
000808442 9801_ $$aFullTexts
000808442 980__ $$aI:(DE-82)130000_20140620
000808442 980__ $$aI:(DE-82)133510_20140620
000808442 980__ $$aUNRESTRICTED
000808442 980__ $$aVDB
000808442 980__ $$aphd