Attenzione: i dati modificati non sono ancora stati salvati. Per confermare inserimenti o cancellazioni di voci è necessario confermare con il tasto SALVA LE MODIFICHE in fondo alla pagina
Bicocca Open Archive
CUORE Upgrade with Particle IDentification (CUPID) is a foreseen ton-scale array of Li2MoO4 (LMO) cryogenic calorimeters with double readout of heat and light signals. Its scientific goal is to fully explore the inverted hierarchy of neutrino masses in the search for neutrinoless double beta decay of 100Mo. Pile-up of standard double beta decay of the candidate isotope is a relevant background. We generate pile-up heat events via injection of Joule heater pulses with a programmable waveform generator in a small array of LMO crystals operated underground in the Laboratori Nazionali del Gran Sasso, Italy. This allows to label pile-up pulses and control both time difference and underlying amplitudes of individual heat pulses in the data. We present the performance of supervised learning classifiers on data and the attained pile-up rejection efficiency.
Fantini, G., Armatol, A., Armengaud, E., Armstrong, W., Augier, C., Avignone, F., et al. (2022). Machine Learning Techniques for Pile-Up Rejection in Cryogenic Calorimeters. JOURNAL OF LOW TEMPERATURE PHYSICS, 209(5-6), 1024-1031 [10.1007/s10909-022-02741-9].
Machine Learning Techniques for Pile-Up Rejection in Cryogenic Calorimeters
Fantini, G.
;Armatol, A.;Armengaud, E.;Armstrong, W.;Augier, C.;Avignone, F. T.;Azzolini, O.;Barabash, A.;Bari, G.;Barresi, A.;Baudin, D.;Bellini, F.;Benato, G.;Beretta, M.;Bergé, L.;Biassoni, M.;Billard, J.;Boldrini, V.;Branca, A.;Brofferio, C.;Bucci, C.;Camilleri, J.;Capelli, S.;Cappelli, L.;Cardani, L.;Carniti, P.;Casali, N.;Cazes, A.;Celi, E.;Chang, C.;Chapellier, M.;Charrier, A.;Chiesa, D.;Clemenza, M.;Colantoni, I.;Collamati, F.;Copello, S.;Cova, F.;Cremonesi, O.;Creswick, R. J.;Cruciani, A.;D’Addabbo, A.;D’Imperio, G.;Dafinei, I.;Danevich, F. A.;de Combarieu, M.;De Jesus, M.;de Marcillac, P.;Dell’Oro, S.;Domizio, S. Di;Dompè, V.;Drobizhev, A.;Dumoulin, L.;Fasoli, M.;Faverzani, M.;Ferri, E.;Ferri, F.;Ferroni, F.;Figueroa-Feliciano, E.;Formaggio, J.;Franceschi, A.;Fu, C.;Fu, S.;Fujikawa, B. K.;Gascon, J.;Giachero, A.;Gironi, L.;Giuliani, A.;Gorla, P.;Gotti, C.;Gras, P.;Gros, M.;Gutierrez, T. D.;Han, K.;Hansen, E. V.;Heeger, K. M.;Helis, D. L.;Huang, H. Z.;Huang, R. G.;Imbert, L.;Johnston, J.;Juillard, A.;Karapetrov, G.;Keppel, G.;Khalife, H.;Kobychev, V. V.;Kolomensky, Yu. G.;Konovalov, S.;Liu, Y.;Loaiza, P.;Ma, L.;Madhukuttan, M.;Mancarella, F.;Mariam, R.;Marini, L.;Marnieros, S.;Martinez, M.;Maruyama, R. H.;Mauri, B.;Mayer, D.;Mei, Y.;Milana, S.;Misiak, D.;Napolitano, T.;Nastasi, M.;Navick, X. F.;Nikkel, J.;Nipoti, R.;Nisi, S.;Nones, C.;Norman, E. B.;Novosad, V.;Nutini, I.;O’Donnell, T.;Olivieri, E.;Oriol, C.;Ouellet, J. L.;Pagan, S.;Pagliarone, C.;Pagnanini, L.;Pari, P.;Pattavina, L.;Paul, B.;Pavan, M.;Peng, H.;Pessina, G.;Pettinacci, V.;Pira, C.;Pirro, S.;Poda, D. V.;Polakovic, T.;Polischuk, O. G.;Pozzi, S.;Previtali, E.;Puiu, A.;Ressa, A.;Rizzoli, R.;Rosenfeld, C.;Rusconi, C.;Sanglard, V.;Scarpaci, J.;Schmidt, B.;Sharma, V.;Shlegel, V.;Singh, V.;Sisti, M.;Speller, D.;Surukuchi, P. T.;Taffarello, L.;Tellier, O.;Tomei, C.;Tretyak, V. I.;Tsymbaliuk, A.;Vedda, A.;Velazquez, M.;Vetter, K. J.;Wagaarachchi, S. L.;Wang, G.;Wang, L.;Welliver, B.;Wilson, J.;Wilson, K.;Winslow, L. A.;Xue, M.;Yan, L.;Yang, J.;Yefremenko, V.;Yumatov, V.;Zarytskyy, M. M.;Zhang, J.;Zolotarova, A.;Zucchelli, S.
2022
Abstract
CUORE Upgrade with Particle IDentification (CUPID) is a foreseen ton-scale array of Li2MoO4 (LMO) cryogenic calorimeters with double readout of heat and light signals. Its scientific goal is to fully explore the inverted hierarchy of neutrino masses in the search for neutrinoless double beta decay of 100Mo. Pile-up of standard double beta decay of the candidate isotope is a relevant background. We generate pile-up heat events via injection of Joule heater pulses with a programmable waveform generator in a small array of LMO crystals operated underground in the Laboratori Nazionali del Gran Sasso, Italy. This allows to label pile-up pulses and control both time difference and underlying amplitudes of individual heat pulses in the data. We present the performance of supervised learning classifiers on data and the attained pile-up rejection efficiency.
Fantini, G., Armatol, A., Armengaud, E., Armstrong, W., Augier, C., Avignone, F., et al. (2022). Machine Learning Techniques for Pile-Up Rejection in Cryogenic Calorimeters. JOURNAL OF LOW TEMPERATURE PHYSICS, 209(5-6), 1024-1031 [10.1007/s10909-022-02741-9].
I documenti in IRIS sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.
Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/10281/383890
Citazioni
1
1
Social impact
Conferma cancellazione
Sei sicuro che questo prodotto debba essere cancellato?
simulazione ASN
Il report seguente simula gli indicatori relativi alla propria produzione scientifica in relazione alle soglie ASN 2021-2023 del proprio SC/SSD. Si ricorda che il superamento dei valori soglia (almeno 2 su 3) è requisito necessario ma non sufficiente al conseguimento dell'abilitazione. La simulazione si basa sui dati IRIS e sugli indicatori bibliometrici alla data indicata e non tiene conto di eventuali periodi di congedo obbligatorio, che in sede di domanda ASN danno diritto a incrementi percentuali dei valori. La simulazione può differire dall'esito di un’eventuale domanda ASN sia per errori di catalogazione e/o dati mancanti in IRIS, sia per la variabilità dei dati bibliometrici nel tempo. Si consideri che Anvur calcola i valori degli indicatori all'ultima data utile per la presentazione delle domande.
La presente simulazione è stata realizzata sulla base delle specifiche raccolte sul tavolo ER del Focus Group IRIS coordinato dall’Università di Modena e Reggio Emilia e delle regole riportate nel DM 598/2018 e allegata Tabella A. Cineca, l’Università di Modena e Reggio Emilia e il Focus Group IRIS non si assumono alcuna responsabilità in merito all’uso che il diretto interessato o terzi faranno della simulazione. Si specifica inoltre che la simulazione contiene calcoli effettuati con dati e algoritmi di pubblico dominio e deve quindi essere considerata come un mero ausilio al calcolo svolgibile manualmente o con strumenti equivalenti.