Info
- Utilizzare la checkbox di selezione a fianco di ciascun documento per attivare le funzionalità di stampa, invio email, download nei formati disponibili del (i) record.
Domain Generalization with Machine Learning in the NOvA Experiment : Doctoral Thesis accepted by the University of Virginia, USA / Andrew T. C. Sutton
| Domain Generalization with Machine Learning in the NOvA Experiment : Doctoral Thesis accepted by the University of Virginia, USA / Andrew T. C. Sutton |
| Autore | Sutton, Andrew T. C. |
| Pubbl/distr/stampa | Cham, : Springer, 2023 |
| Descrizione fisica | xi, 170 p. : ill. ; 24 cm |
| Soggetto topico |
00A79 (77-XX) - Physics [MSC 2020]
68-XX - Computer science [MSC 2020] 68Txx - Artificial intelligence [MSC 2020] 81V35 - Nuclear physics [MSC 2020] |
| Soggetto non controllato |
3-flavor analysis
Adversarial domain generalization Event reconstruction Machine learning in HEP NOvA experiment Neutrino Oscillation Particle identification Physics beyond the Standard Model |
| Formato | Materiale a stampa  |
| Livello bibliografico | Monografia |
| Lingua di pubblicazione | eng |
| Record Nr. | UNICAMPANIA-VAN00286052 |
Sutton, Andrew T. C.
|
||
| Cham, : Springer, 2023 | ||
| Materiale a stampa | ||
| Lo trovi qui: Univ. Vanvitelli | ||
| ||
Intelligent Beam Control in Accelerators / Zheqiao Geng, Stefan Simrock
| Intelligent Beam Control in Accelerators / Zheqiao Geng, Stefan Simrock |
| Autore | Geng, Zheqiao |
| Pubbl/distr/stampa | Cham, : Springer, 2023 |
| Descrizione fisica | xiv, 155 p. : ill. ; 24 cm |
| Altri autori (Persone) | Simrock, Stefan |
| Soggetto topico |
68Txx - Artificial intelligence [MSC 2020]
81V35 - Nuclear physics [MSC 2020] |
| Soggetto non controllato |
Beam feedback systems
FEL power optimization Machine learning in HEP Modern modeless multi-objective optimization Optimal beam parameters in an accelerator |
| Formato | Materiale a stampa |
| Livello bibliografico | Monografia |
| Lingua di pubblicazione | eng |
| Record Nr. | UNICAMPANIA-VAN00285032 |
|
Geng, Zheqiao
|
||
| Cham, : Springer, 2023 | ||
| Materiale a stampa | ||
| Lo trovi qui: Univ. Vanvitelli | ||
| ||