从光到能量:机器学习算法用于在闪光灯-SiPM探测器中的位置和能量沉积估计.

科学领域:

• 粒子物理学和仪器仪表技术
• 探测器技术 探测器技术
• 计算科学 计算科学

背景情况:

• 闪电器-SiPM粒子探测器 (SSPD) 是紧的,低功耗的设备,用于各种科学领域.
• 现有的分析算法在重建粒子轨迹和能量沉积方面提供了适度的准确性.
• 需要提高SSPD数据分析的准确性.

研究的目的:

• 提高SSPD空间位置和能量沉积估计的准确性.
• 评估机器学习 (ML) 技术的有效性,特别是梯度增强,用于SSPD数据分析.
• 将基于ML的方法与传统的分析方法进行比较.

主要方法:

• 利用GEANT4模拟工具包,模拟与SSPD相互作用的宇宙子和能量氧离子.
• 训练了XGBoost和LightGBM模型来预测粒子碰撞位置和沉积的能量.
• 研究混合ML策略,包括混合增强和探测.

主要成果:

• 无论是XGBoost还是LightGBM模型,在位置和能量估计方面,与分析基线相比,都表现出优异的性能.
• 探测策略在位置和线性能量转移 (LET) 估计方面都取得了可衡量的改善.
• 混合动力增强并没有带来显著的性能增长.

结论:

• 机器学习驱动的重建显著提高SSPDs的性能.
• 梯度增强技术为提高粒子检测精度提供了强大的工具.
• 机器学习方法代表了SSPD在物理学和仪器仪表中的应用的有希望的进步.