Proiectul 'DeMAND' se desfășoară sub coordonarea Institutului de Fizică Atomică și este finanțat prin Programul 5 - Cercetare în domenii de interes strategic, Subprogramul 5.2 Participare la organismele și programele internaționale de cercetare în domeniul atomic și subatomic - Modulul FAIR-RO.

Descrierea proiectului

    Principalul scop al Experimentului R3B de la FAIR este de a construi un aranjament experimental versatil cu eficacitate, acceptanță și rezoluție ridicate pentru a studia proprietățile nucleelor instabile prin detectarea produșilor de reacție ale interacțiilor fasciculelor radioactive de mare energie cu o țintă fixă. Prin urmare, una dintre cerințele principale ale acestui aranjament experimental este ca produșii de reacție să fie măsurați cu cea mai bună precizie posibilă. Unul dintre instrumentele principale de care beneficiază Experimentul R3B este Detectorul de Neutroni NeuLAND, o configurație cu suprafață mare formată din 30 de planuri duble de bare scintilatoare cu o dimensiune a feței active de 2,5 x 2,5 m² și o adâncime de 3m.
    Acest design modular permite NeuLAND să urmărească neutronii rapizi în intervalul 200 MeV - 1000 MeV; cu toate acestea, neavând sarcină neutronii nu excită materialul scintilator din detector, prin urmare detectarea se poate face numai indirect prin intermediul produșilor cu sarcină care provin din interacțiile neutron-nucleon. Rezultatul acestor interacții îl reprezintă producerea mai multor particule noi, incluzând mai mulți neutroni care interacționează cu alte nuclee, având ca rezultat jeturi de particule care se pot adesea suprapune. Prin urmare, identificarea neutronului care creează jetul și reconstrucția multiplicității și a impulsului neutronilor care intră în detector din aceste modele de jeturi sunt departe de a fi banale și presupun algoritmi sofisticați. Există multe evenimente posibile care pot crea un anumit model de interacție care face aproape imposibilă reconstituirea hărții neutronilor incidenți, cu precizie de 100%, ceea ce duce la concluzia că ar trebui luat în considerare doar cel mai probabil eveniment. Acest lucru a fost demonstrat de algoritmii utilizați pentru detectorul LAND – Shower Volume Algorithm (SVA) și Shower Tracking Algorithm (STA) - atunci când au fost analizate hiturile fantomă, hituri în care interacțiile neutron-nucleu produc doar un alt neutron, ambii fiind invizibili pentru detectori. Dezavantajul acestor algoritmi este că nu pot conecta particulele care provin din hituri fantomă. Un algoritm mai nou - Probabilistic Neutron Tracker (PNT) - funcționează în mod similar cu diferența principală că performanța noului algoritm pentru reconstrucția cuadri-vectorului pentru un singur neutron incident este rezonabil de bună, dar scade odată cu creșterea numărului de neutroni incidenți. Pentru a crește performanța pentru un număr mai mare de neutroni, este nevoie de dezvoltarea de noi algoritmi.
    Folosirea algoritmilor de învățare automată reprezintă o abordare nouă care poate îmbunătăți semnificativ eficacitatea în reconstrucția evenimentelor de particule neîncărcate prin învățarea celor mai probabile evenimente fără o implementare explicită a legilor fizicii. Caracteristica de bază a conceptului de învățare automată este aceea că permite unui algoritm să experimenteze date și să extragă singur conexiuni între diferite caracteristici. Procesul de învățare al algoritmului este condus de recurența datelor experimentate, ceea ce înseamnă că acesta învață mai întâi caracteristica cea mai probabilă, reducând semnificativ resursele de calcul. De-a lungul anilor o mulțime de cercetări au fost dedicate dezvoltării algoritmilor de învățare automată; în prezent, există mulți algoritmi care pot îndeplini sarcini de clasificare a tiparelor, cum ar fi Rețelele Neuronale Convoluționale (CNN), Rețelele Neuronale Recurente (RNN) sau Rețelele Neuronale Profunde (DNN). Performanța lor în ceea ce privește eficacitatea s-a dovedit a fi mai mult sau mai puțin aceeași, dar timpul pentru procesare este destul de diferit. Prin urmare, ne propunem să dezvoltăm un nou algoritm pentru a depăși de asemenea și incertitudinile sistematice care apar și care în algoritmii NeuLAND anteriori s-au datorat simulărilor cu Geant4, simulări care vor fi utilizate și pentru a antrena rețeaua neuronală pe care intenționăm să o dezvoltăm.