Generative adversarial neural networks for simulating neutrino interactions
Jose L. Bonilla, Krzysztof M. Graczyk, Artur M. Ankowski, Rwik Dharmapal Banerjee, Beata E. Kowal, Hemant Prasad, Jan T. Sobczyk
我们提出了一种新的方法来模拟中微子散射事件,作为标准蒙特卡罗生成器方法的替代品。 生成对抗神经网络(GAN)模型被开发用于模拟在少数GeV能量范围内带电的电流中微子-碳碰撞。 我们考虑一个简化的框架来生成μ子运动变量,特别是它的能量和散射角度。 GAN模型基于蒙特卡洛事件生成器的仿真数据进行训练。 已经获得了两个GAN模型:一个模拟准中微子-核散射,另一个模拟给定中微子能量的所有相互作用。 这些模型适用于中微子能量,从300 MeV到10 GeV。 两种模型的性能都使用两个统计指标进行了评估。 结果表明,两个GAN模型都成功地再现了μ子运动学的分布。
We propose a new approach to simulate neutrino scattering events as an alternative to the standard Monte Carlo generator approach. Generative adversarial neural network (GAN) models are developed to simulate charged current neutrino-carbon collisions in the few-GeV energy range. We consider a simplified framework to generate muon kinematic variables, specifically its energy and scattering angle. GAN models are trained on simulation data from Monte Carlo event generator. Two GAN models have been ...
