Paricle identification at VAMOS++ with machine learning techniques - Archive ouverte HAL Accéder directement au contenu
Communication Dans Un Congrès Année : 2023

Paricle identification at VAMOS++ with machine learning techniques

Y Cho
  • Fonction : Auteur
Y.H Kim
  • Fonction : Auteur
S Choi
  • Fonction : Auteur
J Park
  • Fonction : Auteur
S Bae
  • Fonction : Auteur
K.I Hahn
  • Fonction : Auteur
Y Son
  • Fonction : Auteur
Y.X Watanabe
  • Fonction : Auteur
Y Hirayama
  • Fonction : Auteur
S Jeong
  • Fonction : Auteur
T Niwase
  • Fonction : Auteur
H Miyatake
  • Fonction : Auteur
P Schury
  • Fonction : Auteur
M Rosenbusch
  • Fonction : Auteur
K Chae
  • Fonction : Auteur
C Kim
  • Fonction : Auteur
S Kim
  • Fonction : Auteur
G.M Gu
  • Fonction : Auteur
M.J Kim
  • Fonction : Auteur
P John
  • Fonction : Auteur
A Andreev
  • Fonction : Auteur
F Recchia
  • Fonction : Auteur
G de Angelis
  • Fonction : Auteur
R. Perez Vidal
  • Fonction : Auteur
K Rezynkina
  • Fonction : Auteur
J Ha
  • Fonction : Auteur
P Marini
J Dudouet
S Bhattacharyya
  • Fonction : Auteur
G Mukherjee
  • Fonction : Auteur
R Banik
  • Fonction : Auteur
S Bhattacharya
  • Fonction : Auteur
M Mukai
  • Fonction : Auteur

Résumé

Multi-nucleon transfer reaction between 136Xe beam and 198Pt target was performed using the VAMOS++ spectrometer at GANIL to study the structure of n-rich nuclei around N=126. Unambiguous charge state identification was obtained by combining two supervised machine learning methods, deep neural network (DNN) and positional correction using a gradient-boosting decision tree (GBDT). The new method reduced the complexity of the kinetic energy calibration and outperformed the conventional method improving the charge state resolution by 8%.

Dates et versions

hal-04107956 , version 1 (26-05-2023)

Identifiants

Citer

Y Cho, Y.H Kim, S Choi, J Park, S Bae, et al.. Paricle identification at VAMOS++ with machine learning techniques. 19th International Conference on Electromagnetic Isotope Separators and Related Topics, Oct 2022, Daejeon, South Korea. pp.240-242, ⟨10.1016/j.nimb.2023.05.053⟩. ⟨hal-04107956⟩
77 Consultations
0 Téléchargements

Altmetric

Partager

Gmail Facebook X LinkedIn More