Podcast (Englisch; mit Googles NotebookLM ✨)

Kurzfassung

Die Entfaltung von Energiespektren ist ein gängiges Problem in der Neutrinoastronomie. Da es sich um ein inverses Problem handelt, erfordert seine Lösung spezielle Methoden. Der Dortmund Spectrum Estimation Algorithm (DSEA⁺) löst das Entfaltungsproblem, indem er dieses als ein mehrklassiges Klassifikationsproblem uminterpretiert, und eliminiert den Bias aus den Trainingsdaten, indem er die Samples iterativ neu gewichtet. Im vorliegenden Problem sind diskretisierte Neutrinoenergien
ordinal, was impliziert, dass Fehlklassifikationen unterschiedlich stark sein können. Allerdings respektieren die meisten Klassifizierer diese Eigenschaft nicht. Vorherige Arbeiten haben sich entweder auf die Berücksichtigung der Ordinalität oder auf die Verwendung eines neuronalen Netzwerks als Klassifizierer fokussiert. Diese Arbeit hat zum Ziel, die Vorteile beider Ansätze zu kombinieren: die Flexibilität von neuronalen Netzwerken und die potenzielle Verbesserung der physikalischen Plausibilität aufgrund der Berücksichtigung von Ordinalität. Zunächst wird Conditional Ordinal Regression for Neural Networks (CORN) angepasst, um mit DSEA⁺ kompatibel zu sein. Die vorgeschlagene Methode wird dann optimiert und auf simulierten Daten von IceCube evaluiert.

Material

GitHub-Repository für die Plots und das Dokument

GitHub-Repository für den Code

Quelle des Beitragsbilds: Martin Wolf, IceCube/NSF