使用卷积神经网络对超导转变边沿传感器光暗时间迹进行二分类
仪器与探测器
2026-02-11 v2 高能物理 - 实验
摘要
Any Light Particle Search II (ALPS II) 是一个光穿墙实验，使用1064 nm激光源探测轴子及类轴子粒子的存在。虽然ALPS II已在使用基于外差的探测方案采集数据，但计划采用基于低温超导转变边沿传感器（TES）的单光子探测器来扩展探测系统，以交叉检验潜在信号，这要求灵敏度达到10^{-24} W量级。为了实现这一目标，我们研究了使用卷积神经网络（CNN）作为二分类器，以区分实验测得的1064 nm光子触发（光）脉冲与背景（暗）脉冲。尽管进行了广泛的超参数优化，基于CNN的二分类器在探测显著性方面并未优于我们先前优化的基于截断的分析方法。这表明所使用的方法通常不适用于背景抑制和提高TES的能量分辨率。我们将此部分归因于背景中近1064 nm黑体光子触发引起的训练混淆，正如我们先前工作中所总结的，这是限制性的背景源。然而，我们认为问题最终在于基于二分类的方法，并相信回归模型将更适合解决能量分辨率问题。无监督机器学习模型，特别是基于神经网络的自编码器，也应被视为抑制时间迹噪声的潜在候选方法。虽然所呈现的结果和相关结论是针对设计用于ALPS II实验的TES获得的，但它们应同样适用于任何输出信号可被视为单变量时间迹的设备。
引用
@article{arxiv.2509.16243,
title = {Binary Classification of Light and Dark Time Traces of a Transition Edge Sensor Using Convolutional Neural Networks},
author = {Elmeri Rivasto and Katharina-Sophie Isleif and Friederike Januschek and Axel Lindner and Manuel Meyer and Gulden Othman and José Alejandro Rubiera Gimeno and Christina Schwemmbauer},
journal= {arXiv preprint arXiv:2509.16243},
year = {2026}
}