Оптимизация размера сенсоров для физики элементарных частиц

Эксперименты по физике элементарных частиц часто связаны с точным измерением энергии и положения частиц, таких как фотоны, взаимодействующих с детекторами типа электромагнитных калориметров. Оптимизация размера сенсора этих детекторов имеет решающее значение для получения более точных реконструкций свойств частиц с учетом экономической эффективности. В этом исследовании мы изучаем оптимизацию размера датчика для экспериментов по физике частиц, измеряя качество реконструкции энергии фотонов и их положения в калориметре. Мы предлагаем использовать методы глубинного обучения для решения этой задачи и оценить указанные выше разрешения датчиков от 10x10 до 40x40 при фиксированном физическом размере калориметра. Наш подход предполагает обучение моделей глубинного обучения, включая архитектуры ResNet18 и Vision Transformer, и сравнение их качества с базовыми моделями, такими как аналитическая модель и линейная регрессия. Мы используем такие метрики, как средняя квадратичная ошибка (MSE), средняя абсолютная ошибка (MAE), корень из среднеквадратичной ошибки (RMSE), а также взвешенные версии этих метрик для оценки точности реконструкции для датчиков разного размера. Кроме того, мы изучили влияние функций потерь, стратегий обучения и параметров моделей на качество работы моделей глубинного обучения. Полученные нами результаты подчеркивают важность выбора оптимального разрешения сенсоров, обеспечивающего баланс между точностью реконструкции и экономической эффективностью при проведении экспериментов по физике частиц.