利用神经网络对主动靶时间投影室中 Hoyle 态衰变分支的分类
仪器与探测器
2025-08-28 v2 核实验
数据分析、统计与概率
摘要
使用 Python 中的 Keras 深度学习库开发了一个多类卷积神经网络 (CNN) 模型，用于根据 Saha 主动靶时间投影室 SAT-TPC（目前正在开发中）记录的径迹信息，对 C Hoyle 态衰变分支进行基于图像的分类。SAT-TPC 中由 30 MeV 粒子束产生的核事件（在常压下充入 Ar + CO (90:10) 混合气体）被用于模型的训练和验证。通过蒙特卡罗模拟生成了 粒子与 Ar、C、O 核相互作用中的弹性散射以及 Hoyle 态序列衰变和直接衰变事件。散射和衰变产物通过气体介质的初级电离产生的三维径迹使用 Geant4 进行了模拟。分布在束流平面上的初级径迹与通过 Magboltz 获得的电子扩散进行卷积，以产生最终的径迹信息。讨论了所提出的模型在 SAT-TPC 不同读出分段方案下的分类性能。
引用
@article{arxiv.2506.02506,
title = {Classification of Hoyle State Decay Branches in Active Target Time Projection Chamber using Neural Network},
author = {Pralay Kumar Das and Nayana Majumdar and Supratik Mukhopadhyay},
journal= {arXiv preprint arXiv:2506.02506},
year = {2025}
}