Automated Physics-Informed Neural-Networks-Based Calibration of Highly Segmented Silicon Telescopes
本文提出了一种全自动、物理信息驱动的神经网络框架，该框架通过全局最小化重建激发能宽度，同时优化探测器增益与几何校正，从而高效地校准高度分割的硅望远镜阵列，并已通过其在 PISTA 核裂变数据上的成功应用得到了验证。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在现代核物理学的核心领域，科学家们正试图通过以惊人的速度碰撞原子来理解物质的构建模块。为了理清这些碰撞过程，他们需要精确了解产生了哪些粒子、它们携带了多少能量，以及它们飞出的精确角度。想象一下，如果你试图通过观察散落的碎片来重建一场车祸；如果你无法极其精确地测量每一块金属碎片的速度和方向，那么关于这场车祸的故事将始终是一个谜。几十年来，研究人员一直依赖硅探测器，它们就像高速摄像机一样，捕捉这些亚原子粒子的能量和路径。随着这些探测器变得越来越先进，它们被切割成数千个微小的、独立的条带，以捕捉更精细的细节。然而，这种细节的增加也给必须对其进行校准的科学家们带来了巨大的头痛。
校准是将探测器进行调优的过程，使其原始电信号能够转化为正确的物理测量值。过去，科学家可以逐一调整探测器的每个通道，这是一项缓慢且乏味的任务，高度依赖于人类的判断。但当一个探测器拥有数千个通道时，这种旧方法就变得不再可行。它太慢，容易产生人为错误，并且往往无法确保探测器的所有部分都能保持一致。挑战在于找到一种方法，利用物理定律作为指南，自动调优这台复杂的机器，从而使它产生的数据具有完美的连贯性。
法国 GANIL 的一个研究小组通过教计算机为他们校准探测器，解决了这个问题。他们开发了一个新系统，使用一种被称为神经网络的人工智能技术。他们并没有要求人类去逐一微调数千个设置，而是建立了一个数学谜题，让计算机寻找能使物理规律正常运作的完美设置。该系统依赖于自然界的一条基本规则：当两个粒子发生碰撞并相互弹开而没有破碎时，它们的总能量以及它们飞出的角度之间存在着一种精确的锁定关系。如果探测器校准不正确，这种关系看起来就会是破碎的。计算机的任务就是调整探测器的设置，直到数据符合这种完美的物理模式。
研究人员在名为 PISTA 的特定探测器阵列上测试了这种方法，该阵列由八个梯形望远镜组成，每个望远镜包含数千个微小的硅条带。这些望远镜旨在捕捉重铀原子与碳原子碰撞时产生的轻核。团队将碰撞产生的原始数据连同少量已知的阿尔法粒子校准数据一起输入计算机。随后，神经网络开始工作，调整每一个条带的增益（即灵敏度），甚至对望远镜本身的物理位置进行微调。它通过不断根据“两体运动学约束”检查自己的工作，确保重建的碰撞能量符合弹性散射中零激发能的理论预期。
结果令人震惊。计算机仅用了几分钟就找到了正确的设置，而这项任务如果使用传统方法，需要人类专家花费数周甚至数月的时间。校准完成后，探测器产生的数据与理论预测完美契合。研究人员可以清晰地看到不同原子元素（如碳和氧）形成的独特谱带，且分离精度极高。能量分辨率（衡量探测器区分相似能量水平的能力）得到了显著提升。事实上，该系统实现的解析度使得数据分布约为 0.436 MeV，这使得科学家能够观察到以前模糊不清的核反应细节。
这种新方法最重要的方面之一是，它不需要科学家去构建一个关于探测器内部运作机制的复杂模型。他们不需要模拟硅内部每一个电子的精确行为。相反，系统直接从实验数据中学习，仅受物理定律的引导。这使得该方法具有鲁棒性和适应性。研究人员发现，校准在阵列的所有不同望远镜之间都是一致的，这证明了该系统可以在处理数千个通道的复杂性时不会迷失方向。该方法还成功修正了探测器物理放置上的微小偏差，其调整幅度涵盖了仅几毫米的位移以及几度的角度变化。
这项研究表明，机器学习可以成为实验物理学的一个强大伙伴，它不仅是分析数据的工具，更是测量过程本身的基本组成部分。通过将物理定律直接嵌入神经网络的训练中，研究人员创建了一个既高效又可靠的自洽系统。这种方法为下一代探测器提供了解决方案，因为未来的探测器预计会更加庞大且复杂。随着核物理学向更高分辨率和更复杂的实验迈进，自动校准这些大型系统的能力将至关重要。这项工作证实，当人工智能受到物理原则这一坚实基础的引导时，它可以解决那些对于人类双手而言过于庞大且过于复杂的难题，从而为更清晰地观察原子世界开启了大门。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。