基于主动学习的蒙特卡罗模拟方差缩减：黄金纳米颗粒纳米剂量学可行性研究
医学物理
2025-11-04 v1
摘要
目标：本工作提出一种受主动学习启发的数据驱动重要抽样方差缩减（VR）方案，用于估计黄金纳米颗粒（NP）周围离子化簇的 optimal 影响参数分布。由于无法从原理推导出此 optimal 重要分布。方法：构建一个迭代优化程序，使用高斯过程抽样器（Gaussian Process Sampler）基于损失函数提议最优抽样分布。该损失函数基于恰当的启发式方法构建。优化代码通过专用的传输控制协议（TCP）接口与 Geant4 模拟交互，获取NP周围不同壳层中离子化簇数的估计。主要结果：证明所得影响参数分布轻松超越实际均匀照射情形。结果与其他VR方案相似，但仍稍微高估背景贡献。意义：虽然本文所述方法属原理演示（proof-of-principle），但提供了一种新方法，用于在难题情形下估计重要分布。本文描述的TCP接口是一种简单且高效的方法，可将编译型Geant4代码暴露给例如Python等其他脚本使用。
引用
@article{arxiv.2511.00563,
title = {Active learning-based variance reduction for Monte Carlo simulations: A feasibility study for the nanodosimetry around a gold nanoparticle},
author = {Leo Thomas and Miriam Schwarze and Hans Rabus},
journal= {arXiv preprint arXiv:2511.00563},
year = {2025}
}
备注
21 pages, 8 figures, submitted to Physica Scripta (IOP Publishing)