KI und die schwierigen Probleme der Welt · Physik · arXiv · 2026-10-19
Auf Deep Learning basierende Niederenergie-Trigger-Algorithmen für das Hyper-Kamiokande-Experiment
Originaltitel: Deep-learning-based low-energy trigger algorithms for the Hyper-Kamiokande experiment
Die Autoren evaluierten Deep-Learning-Trigger-Algorithmen für Hyper-Kamiokande, einen großen Wasser-Cherenkov-Detektor, mit Blick auf Neutrino-Ereignisse unterhalb von 7 MeV. Ein überwachter Klassifikator und zwei Anomalieerkennungsverfahren, die nur auf Detektorrauschen trainiert wurden (ein Autoencoder und Manifold Projection-Diffusion Recovery), wurden mit einem Trigger auf Basis der Trefferanzahl verglichen. Für Einzelelektronen von 3 MeV erreichte das überwachte Modell eine Signaleffizienz von 76,7 % gegenüber 26,4 % beim Trefferanzahl-Trigger, und Manifold Projection-Diffusion Recovery kam am selben Arbeitspunkt auf 35,4 %, wobei die GPU-Inferenz deutlich unter einer Millisekunde pro Fenster lag.