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.

Rapoarte de activitate

   Rezultatele obtinute in acest proiect au fost raportate Autoritatii Contractante in Raportul Sintetic Anual la finalul fiecarei etape.

Rezultate obtinute in Etapa I: Noiembrie - Decembrie 2020 a. pentru activitatea Analiza comparativa date experimentale – simulari folosind algoritmi de reconstructie existenti am realizat urmatoarele: identify which are the major advantages and drawbacks of the standard algorithms currently used in reconstruction of tracks inside neutron detectors; asses the performances of algorithms for reconstructing neutrons from NeuLAND - the SVA, STA, PNT and R3BRootNT algorithms; comparatively analyze the SAMURAI19 experimental data and simulations using the most efficient existing algorithm. b. pentru activitatea Identificare algoritmi de reconstructie bazati pe Invatare Automata am realizat urmatoarele: identified the machine learning algorithms used in high energy physics; pointed out the major advantages or disadvantages of most-effective algorithms currently used for particle tracks reconstruction; selected the most reliable machine learning algorithm to help fulfill the goals of this project.

Aceste rezultate sunt detaliate in Raportul Sintetic Anual pentru Etapa I

Rezultate obtinute in Etapa II: Ianuarie - Decembrie 2021 identificarea claselor pentru diferite etape in R3BRoot si folosirea acestora in simulare, digitalizare, clusterizare si reconstructie; evaluarea diferitelor scenarii de date simulate folosind R3BRoot cu diferite configuratii ale planelor detectorului, diferite liste de fizica activate sau caracteristici diferite alte fascicolului; evaluarea probabilitatilor de reactie a neutronilor in fucntie de numarul planelor-duble folosite pentru un interval energetic de la 200 MeV la 1 GeV; identificarea celor mai comune reactii si a celor mai importanti produsi de reactii pentru neutronii incidenti cu diferite energii folosind diferite implementari ale listei de fizica; determinarea influentei productiei de lumina in depunerea de energie in datele simulate pentru diferite implementari ale listelor de fizica; evaluarea energiei totale depozitate si a numarului de clusteri pentru diferite configuratii ale planelor-duble si la diferite energii; determinarea proprietatilor algoritmilor de invatare automata si a principalelor parametri de intrare necesari; generarea de cantitati mari de date simulate pentru NeuLAnd folosind R3BRoot pentru a antrena algoritmii de invatare automata cu diferite scenarii ale configuratiei detectorilor, energiilor, listelor de fizica sau a generatorilor de particule primare; identificarea metodelor folosite in integrarea retelelor neurale in infrastructura R3BRoot pentru reconstructia de evenimente in NeuLand; evaluarea Keras, TensorFlow si SciKit-learn ca instrumente pentru reconstructia de evenimente.

Aceste rezultate sunt detaliate in Raportul Sintetic Anual pentru Etapa II

Rezultate obtinute in Etapa III: Ianuarie - Decembrie 2022 dezvoltarea unei aplicatii standalone Geant4 pentru efectuarea de simulari in diferite scenarii cu NeuLand si macro-urile de analiza Root pentru evaluarea rezultatelor; evaluate several scenarios of simulated data using R3BRoot and Geant4 standalone application with various detector planes configuration, different physics list activated or different features of beam characteristics; evaluate neutron reaction probabilities as function of the number of double planes used for an energy range from 200 MeV to 1 GeV; identify the most common reactions and the most important reaction products for incoming neutrons with various energies using different physics list implementations; evaluate the total energy deposition and number of clusters for different double planes configurations and at different energies; generate large amounts of simulated data for NeuLand using R3BRoot in order to train the machine learning algorithms with various scenarios of detector configurations, energies, physics lists or primary particles generators; check reconstruction methods used in TDR and the new methods based on clustering scoring which are implemented in R3BRoot; identify the method used by machine learning algorithms for classification problems under supervised learning; evaluate the neutron multiplicity determination of Neural Network and Convolutional Neural Network methods; asses the performance of NN and CNN algorithms on neutron multiplicity; compare the performance of the NN and CNN methods with NeuLand’s TDR method and ‘best performance’ of Geant4 on neutron multiplicity and 4-neutron invariant mass spectra.

Aceste rezultate sunt detaliate in Raportul Sintetic Anual pentru Etapa III