核物理实验
Nuclear Experiment
迭代解布,特别是具有和无正则化的Richardson-Lucy算法,在核和高能物理应用的背景下进行分析。 在这些应用中,概率分布可能会被分散成几个垃圾箱,测量统计可以很高,并且可以很好地理解仪器性能。 在这种情况下,必须首先了解调试,而无需任何明确的噪音考虑。 我们采用奇异值分解为低计数像素系统中的模糊矩阵。 强烈的模糊可能会为模糊矩阵产生一个空空间。 然而,在解冻中内置的图像的非消极约束可能有助于恢复高对比度图像中的空空间内容,零或低强度为足够数量的像素。 对于低对比度图像,可以通过正则化来实现对空空间内容的控制。 当应用正则化时,模糊图像在实践中恢复到仍然模糊但小于起始图像的图像。
液体闪烁三倍倍重比(TDCR)光谱被广泛采用为放射性核素定量的标准方法,因为它具有高精度,自校准能力和独立于放射性参考源等固有优势。 然而,通过TDCR进行多放射性核素分析面临着自动化有限和依赖特定于混合物标准的挑战,这可能并不容易获得。 在这里,我们展示了一个人工智能(AI)框架,该框架结合了数值光谱模拟和深度学习,用于无标准的自动化分析。 使用Geant4模拟以及统计建模的探测器响应采样生成模型训练的β光谱。 量身定制的神经网络架构,在这个数据集上训练,涵盖各种核混合比和淬火场景,可以实现单个放射性核素活动的自主分辨率,并通过端到端学习范式检测效率。 该模型在任务中提供了一致的高精度:活动比例(平均绝对误差=0.009),检测效率(平均绝对误差=0.002)和光谱重建(结构相似度指数=0.9998),验证其物理合理性,用于淬炼β光谱。 这种人工智能驱动的方法在自动化安全兼容的多放射性核素分析中具有巨大的潜力,具有强大的概括,实时处理能力和工程可行性,特别是在不需要参考材料或需要快速现场分析的情况下。
我们利用转移学习来推断在合成电荷电流(CC)中微子碳包容性散射数据训练的生成对抗网络(GAN)模型中编码的物理知识。 该基础模型适用于中微子-氩和反中微子-碳相互作用生成CC包容性散射事件(仅lepton 运动学)。 此外,当新数据来自不同中微子-核相互作用模型时,我们评估迁移学习在重新优化自定义模型方面的有效性。 我们的结果表明,迁移学习显著优于从头开始训练生成模型。 为了研究这一点,我们考虑了两个训练数据集:一个是10,000个,另一个有100,000个事件。 通过迁移学习获得的模型即使使用较小的训练数据也表现良好。 拟议的方法为在实验数据稀疏的情况下构建中微子散射事件发生器提供了一种有希望的方法。
获得核质量的高精度预测,或相当于核结合的能量,E_b,仍然是核物理研究的一个重要目标。 最近,许多基于人工智能的工具在这项任务上显示出有希望的结果,其中一些实现了超越最佳物理模型的精度。 然而,这些人工智能模型的效用仍然存在疑问,因为预测只有在不存在测量的情况下才有用,这本身就需要从训练(和测试)样本中推断。 由于人工智能模型在很大程度上是黑匣子,因此很难评估这种推断的可靠性。 我们展示了一个AI模型,它不仅实现了E_b的尖端精度,而且以可解释的方式做到了这一点。 例如,我们发现(并解释了为什么)其内部表征的最重要维度形成双螺旋,其中DNA中氢键的模拟将每个同位素链中最稳定的核心中发现的质子和中子的数量联系起来。 此外,我们表明,E_b的AI预测可以按分层进行因子化和排序,最重要的术语对应于着名的符号模型(如着名的液体滴落)。 值得注意的是,人工智能模型相对于象征性模型的改进几乎完全归因于Jaffe在1969年发表的一项观察。 最终的结果是一个完全可解释的数据驱动的核质量模型。
传输学习(TL)允许对一种类型的数据进行训练的深度神经网络(DNN),以适应信息有限的新问题。 我们建议在物理学中使用TL技术。 DNN学习一个过程的细节,经过微调后,它会对相关过程进行预测。 我们考虑了DNN,经过包容性电子碳散射数据的训练,并表明经过微调后,它们准确地预测了电子与从氦-3到铁的核目标相互作用的横截面。
本综述对用于辐射检测的脉冲形状歧视(PSD)算法进行了全面的调查和基准测试,将近60种方法分为统计(时间域,频率域,基于神经网络)和先验知识(机器学习,深度学习)范式。 我们在两个标准化数据集上实现和评估所有算法:来自241Am-9Be源的未标记集和来自238Pu-9Be源的飞行时间标记集,使用包括功绩图(FOM),F1分数,ROC-AUC和方法间相关性等指标。 我们的分析表明,深度学习模型,特别是多层感知器(MLP)和将统计特征与神经回归相结合的混合方法,通常优于传统方法。 我们讨论了架构的适用性、FOM 的局限性、替代评估指标以及跨能源阈值的性能。 伴随着这项工作,我们在Python和MATLAB中发布了一个开源工具箱,以及数据集,以促进可重复性和推进PSD研究。
我们介绍了一个更新的深度神经网络模型,用于包容性电子碳散射。 使用bootstrap模型[Phys.Rev.C 110(2024)2,025501]作为之前,我们纳入了最近的实验数据,以及深度非弹性散射区域中较旧的测量,得出重新优化的后模型。 我们研究这些新输入对模型预测和相关不确定性的影响。 最后,我们评估与Hyper-Kamiokande和DUNE实验相关的动力学范围内的横截面预测。
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。
我们提出了一个(原型)核物理基础模型,能够在未来的电子离子对撞机成像切伦科夫探测器的低级探测器输入上运行。 为了解决现有下令牌预测方法的限制 - 即VQ-VAE令牌化和缺乏条件生成造成的分辨率损失 - 我们提出了三个关键创新:(i)离散空间特征和连续变量的独立词汇,通过因果多头交叉注意(CMHCA)组合,(ii)通过预处理上下文嵌入的连续动态调节,以及(iii)可扩展和简单,高分辨率的连续变量。 我们的模型为 Cherenkov 光子实现了快速、高保真生成像素和时间序列,并通过高性能 DIRC 中的闭包测试进行了验证。 我们还展示了我们的模型推广到重建任务,如pion和kaon识别,其中我们展示了其利用微调的能力。
已经提出了许多现象学核模型来描述核图不同区域内的特定可观测物。 然而,开发一个描述所有核的复杂行为的统一模型仍然是一个开放的挑战。 在这里,我们探索新颖的符号机器学习(ML)是否可以重新发现传统的核物理模型,或者以改进的简单性,保真度和预测能力来确定替代品。 为了应对这一挑战,我们开发了一种多目标迭代符号回归方法,该方法处理多个目标可观测值的符号回归,解释了实验的不确定性,并且对高维问题很稳健。 作为原理的证明,我们应用这种方法来描述光质量核核的核结合能量和电荷半径。 我们的方法根据质子和中子的数量确定了简单的分析关系,提供了可解释的模型,其精度与最先进的核模型相当。 此外,我们将这种ML发现的模型与现有的互补模型集成在一起,以估计核稳定性的极限。 这些结果突出了符号ML开发精确核模型的潜力,并指导我们对复杂的多体问题的描述。
放射性重离子的束使研究人员能够研究罕见和不稳定的原子核,将光射入异国情调核的内部结构以及化学元素如何在恒星中形成。 然而,放射性光束的提取和运输依赖于耗时的专家驱动的调谐方法,其中数百个参数被手动优化。 在这里,我们引入了一个采用人工智能(AI)的系统,特别是利用贝叶斯优化,以协助放射性光束的运输过程。 我们将我们的方法论应用于与标准调优方法相比显示优势的现实生活场景。 这种人工智能辅助方法可以扩展到世界各地的其他放射性光束设施,以提高运营效率并提高科学产出。
Time Projection Chambers (TPCs) are versatile detectors that reconstruct charged-particle tracks in an ionizing medium, enabling sensitive measurements across a wide range of nuclear physics experiments. We explore sparse convolutional networks for representation learning on TPC data, finding that a sparse ResNet architecture, even with randomly set weights, provides useful structured vector embeddings of events. Pre-training this architecture on a simple physics-motivated binary classification task further improves the embedding quality. Using data from the GAseous Detector with GErmanium Tagging (GADGET) II TPC, a detector optimized for measuring low-energy β-delayed particle decays, we represent raw pad-level signals as sparse tensors, train Minkowski Engine ResNet models, and probe the resulting event-level embeddings which reveal rich event structure. As a cross-detector test, we embed data from the Active-Target TPC (AT-TPC) – a detector designed for nuclear reaction studies in inverse kinematics – using the same encoder. We find that even an untrained sparse ResNet model provides useful embeddings of AT-TPC data, and we observe improvements when the model is trained on GADGET data. Together, these results highlight the potential of sparse convolutional techniques as a general tool for representation learning in diverse TPC experiments.
已加载全部内容
