Self-Supervised Calibration of Scientific Instruments Using Physical Consistency Constraints

技术摘要：利用物理一致性约束实现科学仪器的自监督校准

问题陈述
机器学习在科学仪器中的部署经常受到校准瓶颈的阻碍。传统的校准程序由专家驱动、针对特定实验，并依赖于专门的测量或人工标记的数据。这产生了一个循环依赖：生成标记训练数据通常需要近似校解，而这正是监督学习旨在取代的过程。因此，现有的 AI 方法面临着扩展性受限、可重复性降低以及对不断变化的实验条件（例如增益漂移、压力变化或探测器老化）适应能力差的问题。作者指出一个关键差距：现有系统无法直接从原始测量值中推断出潜在的校准参数，而无需预先校准的信号或外部标签。

方法论
本文提出了一种物理启发式的自监督框架，该框架联合学习潜在的探测器校准参数和特定任务的预测。该方法在 GANIL 的 VAMOS++ 磁谱仪上进行了演示，特别针对离子电荷态 ($q$) 的确定，这对于重建原子质量 ($A$) 至关重要。

核心方法论包括以下组成部分：

1. 联合推理公式化： 该问题被构架为估计目标量 $y = f(\mathbf{x}, \mathbf{c})$，其中 $\mathbf{x}$ 代表原始探测器信号，$\mathbf{c}$ 代表未知的校准系数。$\mathbf{c}$ 和 $y$ 被同时学习。
2. 物理一致性约束： 该框架利用原子质量的离散特性作为自监督的来源。虽然质荷比 ($A/q$) 和洛伦兹因子 ($\gamma$) 是可测量的，但总动能 ($E_{tot}$) 是通过分段电离室推导出的。关系式 $q = E_{tot} / [u(\gamma-1)(A/q)]$ 将这些变量联系起来。由于原子质量数是整数，重建的质量 $A$ 必须聚集在整数值附近。
3. 迭代分数伪标签法：
   • 初始化： “预热”阶段使用关于平均离子电荷态 ($\bar{q}$) 的弱先验，将校准系数初始化在物理上合理的区域内。
   • 伪标签生成： 模型预测一个电荷态，并评估候选的整数修正值 ($\Delta q$)。选择最优修正值以最小化重建质量与最近整数之间的均方根偏差 (RMSD)。
   • 训练循环： 满足一致性阈值 ($||q_{label} - \lfloor q_{label} + 0.5 \rfloor|| < 0.4$) 的事件被分配伪标签。至关重要的是，在每个伪标签周期后，所有网络权重都会重新初始化。这防止了模型将早期可能不准确的伪标签编码进其权重中（确认偏差），确保只有更新后的标签驱动下一个优化步骤。
4. 参数化： 校准系数被约束在预定义的区间内（通过 Sigmoid 函数），以确保解具有物理意义。

主要贡献
作者概述了四项主要贡献：

1. 将探测器校准公式化为物理启发的自监督学习问题。
2. 引入了一种迭代分数伪标签框架，该框架从原始数据中联合估计潜在校准参数和任务预测。
3. 证明了物理一致性约束（特别是离散原子质量）可以直接推断校准参数，而无需外部标签。
4. 通过将校准、分析和探测器诊断集成到一个统一的框架中，为智能仪器建立了路径。

实验结果
该框架在来自 VAMOS++ 的 $1 \times 10^7$ 个事件的数据集上进行了评估：

• 收敛性： 系统在大约 6 分钟内实现了稳定收敛。最终的电荷态分辨率 (RMSD($q$)) 达到 0.198，接近了一个专门的、显式考虑局部探测器缺陷的完全监督网络的 0.177。
• 质量分辨率： 原子质量分辨率 (RMSD($A$)) 稳定在 0.23。
• 鲁棒性： 无论初始弱先验如何（使用 $\bar{q}=36, 39, 42$ 进行测试），模型都能收敛到相同的解，表明物理约束而非初始化驱动了校准。
• 标签质量： 自监督方法生成的电荷态分布（FWHM 为 1.1%–1.3%）与专门的监督网络（FWHM 为 1.0%–1.2%）几乎完全相同。
• 探测器状态监测： 推断的校准系数可作为探测器健康状况的可观测量。该方法成功识别了空间缺陷（与窗口支撑线相关）和时间漂移（12 小时间隔内的增益变化）。
• 下游应用： 使用自监督系数，得到的能量损失 vs 残余能量图显示了不同原子序数 ($Z$) 的清晰分离带，实现了自主粒子识别。

意义与主张
本文声称为自校准和自监测科学仪器建立了一种通用范式。通过将校准视为受物理定律约束的可学习组件而非前提条件，该方法消除了对预校准信号的依赖。作者断言，这代表了向“智能仪器”迈出的一步，即仪器可以自主执行校准、分析和性能优化。

其意义在于将校准参数从中间量转变为表征仪器健康状况（如老化、压力波动）的“探测器状态可观测量”。虽然是在核物理探测器上进行的演示，但作者表示该框架适用于任何校准参数为潜在变量且存在物理一致性约束（如守恒定律或离散量子数）的科学仪器。这项工作为解决校准与推理之间的循环依赖提供了方案，使得 AI 在科学实验中的部署更具扩展性和可重复性。