Pulse-shape discrimination with machine learning for CZT detectors at the DANE beam test facility
本研究表明，一种基于 XGBoost 分类器的机器学习脉冲形状判别方法能够有效区分 DANE 设施高通量条件下 CZT 检测器中的标称光子信号与异常事件，通过极少的训练数据显著提升了光谱性能并实现了高准确度。
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
在核物理与粒子物理领域，科学家们经常需要通过探测原子相互作用时释放出的微弱光闪或能量来“倾听”宇宙。为了实现这一目标，他们使用探测器作为高度灵敏的“耳朵”，捕捉来自 X 射线和伽马射线的信号。几十年来，一种由碲锌镉晶体制成的特定类型探测器一直备受推崇，因为它可以在室温下工作，无需笨重且昂贵的冷却系统。这些探测器在测量入射粒子的能量方面表现出色，这使得研究人员能够精确识别出存在哪些种类的原子。然而，当这些探测器被放置在强大的粒子加速器附近时，会面临一个重大挑战：强烈的环境会产生混乱的背景噪声和虚假信号，从而淹没科学家试图倾听的那些微弱而重要的信息。来自无关事件的信号往往与真实的信号非常相似，使得研究人员很难使用标准方法将它们区分开来。
最近，一个研究小组通过教计算机学会更仔细地聆听信号的“形状”，而非仅仅关注其“响度”，解决了这一问题。他们在意大利的一个设施中设置了一项测试，将一束电子射向一个铅靶。这种碰撞产生了一系列有用的铅原子 X 射线，以及由其他粒子和能量爆发构成的杂乱背景。研究人员记录了放置在靶点附近的探测器所产生的电波。他们注意到，来自理想 X 射线的电波具有平滑且可预测的形状，即稳步上升至峰值然后趋于平缓。相比之下，来自背景噪声的电波则是锯齿状、不规则的，或者包含多个凸起，这通常是由多个粒子同时撞击探测器或由电子故障引起的。
为了将好信号与坏信号分离，该团队使用了一种名为 XGBoost 的机器学习工具，这是一种旨在发现复杂数据中模式的算法。他们首先向计算机展示了数千个电波示例，并手动将它们标记为“正常”（即理想的 X 射线）或“异常”（即噪声）。计算机学会了观察电波形状中的特定细节，例如上升的速度、有多少个凸起以及能量在时间上的分布情况。在仅经过几百个样本的训练后，计算机就变得非常擅长这项任务，在测试新数据时最终达到了近 97% 的准确率。它学会了忽略那些杂乱的多凸起电波，同时保留包含科学信息的干净单凸起电波。
当研究人员将这个训练好的计算机模型应用于包含超过 70 万次记录事件的海量数据集时，结果令人瞩目。该模型成功过滤掉了近一半的总数据，去除了绝大部分的背景噪声。剩下的数据呈现出了一个清晰得多的能量谱图。作为实验主要目标的铅 X 射线特征谱线依然明亮清晰。甚至连电子-正电子湮灭（一种发生在更高能量水平的特定事件）的独特信号，在减少后的背景中也变得更加容易观察。由粒子同时撞击探测器导致的双峰和三峰现象几乎被完全消除，这证明了计算机已经学会了识别这些无关事件的复杂特征。
这项工作表明，机器学习可以作为粒子加速器恶劣环境下探测器的强大过滤器。通过专注于电信号的详细形状，科学家现在可以从原本会被噪声掩盖的实验中恢复出清晰的数据。研究表明，只需少量的初始人工引导，这些计算机模型就可以显著提高能谱分析的质量。虽然研究人员指出，仍需进一步测试以确保该方法在不同条件和探测器设置下均有效，但其结果提供了一个强有力的概念验证。这些结果表明，在拥挤的加速器环境中进行高精度测量，未来的重点可能不再仅仅是制造更好的硬件，而是教会软件去理解粒子相互作用的微妙语言。
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。