Domain Generalization with Machine Learning in the NOvA Experiment (eBook)

Domain Generalization with Machine Learning in the NOvA Experiment (eBook)

Andrew T.C. Sutton
Andrew T.C. Sutton
Prezzo:
€ 140,39
Compra EPUB
Prezzo:
€ 140,39
Compra EPUB

Formato

:
EPUB
Cloud: Scopri di più
Lingua: en
Editore: Springer
Collana: Springer Theses
Codice EAN: 9783031435836
Anno pubblicazione: 2023
Scopri QUI come leggere i tuoi eBook

Note legali

NOTE LEGALI

a) Garanzia legale, Pagamenti, Consegne, Diritto di recesso
b) Informazioni sul prezzo
Il prezzo barrato corrisponde al prezzo di vendita al pubblico al lordo di IVA e al netto delle spese di spedizione
Il prezzo barrato dei libri italiani corrisponde al prezzo di copertina.
I libri in inglese di Libraccio sono di provenienza americana o inglese.
Libraccio riceve quotidianamente i prodotti dagli USA e dalla Gran Bretagna, pagandone i costi di importazione, spedizione in Italia ecc.
Il prezzo in EURO è fissato da Libraccio e, in alcuni casi, può discostarsi leggermente dal cambio dollaro/euro o sterlina/euro del giorno. Il prezzo che pagherai sarà quello in EURO al momento della conferma dell'ordine.
In ogni caso potrai verificare la convenienza dei nostri prezzi rispetto ad altri siti italiani e, in moltissimi casi, anche rispetto all'acquisto su siti americani o inglesi.
c) Disponibilità
I termini relativi alla disponibilità dei prodotti sono indicati nelle Condizioni generali di vendita.

Disponibilità immediata
L'articolo è immediatamente disponibile presso Libraccio e saremo in grado di procedere con la spedizione entro un giorno lavorativo.
Nota: La disponibilità prevista fa riferimento a singole disponibilità.

Disponibile in giorni o settimane (ad es. "3-5-10 giorni", "4-5 settimane" )
L'articolo sarà disponibile entro le tempistiche indicate, necessarie per ricevere l'articolo dai nostri fornitori e preparare la spedizione.
Nota: La disponibilità prevista fa riferimento a singole disponibilità.

Prenotazione libri scolastici
Il servizio ti permette di prenotare libri scolastici nuovi che risultano non disponibili al momento dell'acquisto.

Attualmente non disponibile
L'articolo sarà disponibile ma non sappiamo ancora quando. Inserisci la tua mail dalla scheda prodotto attivando il servizio Libraccio “avvisami” e sarai contattato quando sarà ordinabile.

Difficile reperibilità
Abbiamo dei problemi nel reperire il prodotto. Il fornitore non ci dà informazioni sulla sua reperibilità, ma se desideri comunque effettuare l'ordine, cercheremo di averlo nei tempi indicati. Se non sarà possibile, ti avvertiremo via e-mail e l'ordine verrà cancellato.
Chiudi

Descrizione

This thesis presents significant advances in the use of neural networks to study the properties of neutrinos. Machine learning tools like neural networks (NN) can be used to identify the particle types or determine their energies in detectors such as those used in the NOvA neutrino experiment, which studies changes in a beam of neutrinos as it propagates approximately 800 km through the earth. NOvA relies heavily on simulations of the physics processes and the detector response; these simulations work well, but do not match the real experiment perfectly. Thus, neural networks trained on simulated datasets must include systematic uncertainties that account for possible imperfections in the simulation. This thesis presents the first application in HEP of adversarial domain generalization to a regression neural network. Applying domain generalization to problems with large systematic variations will reduce the impact of uncertainties while avoiding the risk offalsely constraining the phase space. Reducing the impact of systematic uncertainties makes NOvA analysis more robust, and improves the significance of experimental results.