Aprendizaje autom´atico en Stopping Power: datos y modelos

F. BIVORT HAIEK; A. M. P. MENDEZ; C. C MONTANARI; D. M. MITNIK

sALTA

Conferencia; X Conferencia Latinoamericana de Colisiones Inelásticas en la Materia (CLACIM2022); 2022

Universidad Nacional de Salta e Instituto de Astronomía y Física del Espacio

La p´erdida de energ´ıa cin´etica por unidadde longitud de un ion cuando atraviesa lamateria se cuantifica mediante el poder defrenado o stopping power. Seg´un la naturalezade su interacci´on con el blanco, el stoppingpuede ser nuclear o electr´onico. Actualmente,la base de datos de mediciones experimentalesde stopping power electr´onicom´as completa pertenece a la Agencia Internacionalde Energ´ıa At´omica (IAEA) [1]. Esterepositorio es abierto y se actualiza continuamente[2], poniendo a disposici´on de la comunidadcient´ıfica casi un siglo de mediciones [3].En el presente trabajo estudiamos estos datosutilizando m´etodos del campo del aprendizajeautom´atico o machine learning.Los miles y miles de datos en la compilaci´on de la IAEA han sido medidos alo largo de nueve d´ecadas, por m´ultiplesautores/laboratorios, y utilizando diversast´ecnicas experimentales. Naturalmente, ladata presenta significativas dispersiones enciertos rangos de energ´ıa, como se muestraen la Fig. 1 para H en Al. La limpieza de estosdatos es una parte esencial del aprendizajeautom´atico; sin embargo, la depuraci´on manualde estos valores es inviable. Por ello,implementamos un m´etodo de aprendizajeautom´atico basado en una t´ecnica de agrupamientono supervisado (dbscan). Estem´etodo identifica valores at´ıpicos y determinaqu´e datos conservar en caso de superposici´on,teniendo en cuenta el año de producci´on.El conjunto de datos resultante se utilizapara entrenar una red neuronal profunda. Elmodelo reproduce con precisi´on los valores deentrenamiento y de sistemas colisionales desconocidospara la red neuronal (conjunto deprueba). Finalmente, se presentar´a el c´odigoespnn (Electronic Stopping Power with NeuralNetwork).