Ändra sökning
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
A neural network clustering algorithm for the ATLAS silicon pixel detector
Uppsala universitet, Teknisk-naturvetenskapliga vetenskapsområdet, Fysiska sektionen, Institutionen för fysik och astronomi, Högenergifysik.
Uppsala universitet, Teknisk-naturvetenskapliga vetenskapsområdet, Fysiska sektionen, Institutionen för fysik och astronomi, Högenergifysik.
Uppsala universitet, Teknisk-naturvetenskapliga vetenskapsområdet, Fysiska sektionen, Institutionen för fysik och astronomi, Högenergifysik.
Visa övriga samt affilieringar
Antal upphovsmän: 28582014 (Engelska)Ingår i: Journal of Instrumentation, ISSN 1748-0221, E-ISSN 1748-0221, Vol. 9, s. P09009-Artikel i tidskrift (Refereegranskat) Published
Abstract [en]

 A novel technique to identify and split clusters created by multiple charged particles in the ATLAS pixel detector using a set of artificial neural networks is presented. Such merged clusters are a common feature of tracks originating from highly energetic objects, such as jets. Neural networks are trained using Monte Carlo samples produced with a detailed detector simulation. This technique replaces the former clustering approach based on a connected component analysis and charge interpolation. The performance of the neural network splitting technique is quantified using data from proton-proton collisions at the LHC collected by the ATLAS detector in 2011 and from Monte Carlo simulations. This technique reduces the number of clusters shared between tracks in highly energetic jets by up to a factor of three. It also provides more precise position and error estimates of the clusters in both the transverse and longitudinal impact parameter resolution.

Ort, förlag, år, upplaga, sidor
2014. Vol. 9, s. P09009-
Nationell ämneskategori
Fysik
Identifikatorer
URN: urn:nbn:se:uu:diva-237833DOI: 10.1088/1748-0221/9/09/P09009ISI: 000343281300046OAI: oai:DiVA.org:uu-237833DiVA, id: diva2:769071
Anmärkning

ATLAS Collaboration, for complete list of authors see http://dx.doi.org/10.1088/1748-0221/9/09/P09009

Tillgänglig från: 2014-12-05 Skapad: 2014-12-05 Senast uppdaterad: 2017-12-05Bibliografiskt granskad

Open Access i DiVA

fulltext(1428 kB)370 nedladdningar
Filinformation
Filnamn FULLTEXT01.pdfFilstorlek 1428 kBChecksumma SHA-512
b8bbe64147974c21dec21f89f4aea25c32e443ab5884ea56b2398e1fbe5f10b0252174c7052529d28d1303218f8f25b5f26b031a82251c717a206af1b2c24743
Typ fulltextMimetyp application/pdf

Övriga länkar

Förlagets fulltext

Sök vidare i DiVA

Av författaren/redaktören
Brenner, RichardBuszello, Claus P.Ekelöf, TordEllert, MattiasFerrari, ArnaudIsaksson, CharlieMadsen, AlexanderÖhman, HenrikPelikan, DanielRangel-Smith, Camilla
Av organisationen
Högenergifysik
I samma tidskrift
Journal of Instrumentation
Fysik

Sök vidare utanför DiVA

GoogleGoogle Scholar
Totalt: 370 nedladdningar
Antalet nedladdningar är summan av nedladdningar för alla fulltexter. Det kan inkludera t.ex tidigare versioner som nu inte längre är tillgängliga.

doi
urn-nbn

Altmetricpoäng

doi
urn-nbn
Totalt: 594 träffar
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf