基于电容测量与机器学习加速电容计算的高纯锗探测器杂质贝叶斯推断
仪器与探测器
2026-02-17 v1 计算物理
摘要
高纯锗探测器中的杂质密度对于理解和模拟此类探测器至关重要。然而，制造商基于霍尔效应测量所提供的杂质信息通常仅限于少数位置且伴随较大不确定性。由于探测器的电容矩阵随电压的变化强烈依赖于杂质密度分布，电容测量可提供改进杂质认知的途径。本文提出的新方法使用机器学习代理模型，该模型训练于精确的 GPU 加速电容计算，以从电容测量中执行杂质分布参数的完整贝叶斯推断。所有步骤均使用开源 Julia 软件包。电容由 SolidStateDetectorsjl 计算，机器学习由 Fluxjl 完成，贝叶斯推断使用 BATjl 执行。文中解释了探测器的电容矩阵及其对杂质密度的依赖关系，并给出 n 型真同轴测试探测器的电容–偏压扫描。研究表明该测试探测器的杂质密度亦具有径向依赖。
引用
@article{arxiv.2209.12201,
title = {Bayesian inference of high-purity germanium detector impurities based on capacitance measurements and machine-learning accelerated capacitance calculations},
author = {Iris Abt and Christopher Gooch and Felix Hagemann and Lukas Hauertmann and Xiang Liu and Oliver Schulz and Martin Schuster},
journal= {arXiv preprint arXiv:2209.12201},
year = {2026}
}