深度学习用于高分辨率气体时间投影室中 keV 尺度反冲鉴别的改进

具有方向灵敏度的反冲成像气体时间投影室（TPCs）对暗物质（DM）搜寻颇具吸引力。能够重建三维核反冲方向的探测器将对 DM 反冲预期的偶极角分布具有独特灵敏度，从而明确确立所宣称 DM 信号的星系起源，并对来自太阳中微子的本底反冲提供强力判别。然而，仅当伽马射线引起的电子反冲本底被充分抑制时，这些优势才能被利用。我们引入一种基于深度学习的反冲事件分类器，使用三维卷积神经网络（3DCNN）根据反冲图像识别事件种类。我们将 3DCNN 的电子本底抑制性能与传统径迹长度判别量以及最先进浅层学习方法获得的判别量进行比较。我们使用电离能范围为 0.5–10.5 $\rm keV_{ee}$ 的反冲电荷分布训练 3DCNN 分类器，对应 80:10:10 的 $\rm He$:$\rm CF_4$:$\rm CHF_3$ 混合气体中 25 cm 漂移。在确定径迹长度和浅层学习判别量时，电荷初始分割为 $(100\times 100\times 100)$ $\rm\mu m^3$ 单元，但为 3DCNN 重新分箱为约 $(850\times 850\times 850)$ $\rm\mu m^3$ 的较粗分割。尽管分箱更粗，与使用径迹长度相比，我们发现用 3DCNN 分类事件将电子本底降低至多 1,000 倍，并使模拟 TPC 的能量阈值有效降低：氟反冲降低 $30\%$，氦反冲降低 $50\%$。我们还发现，与浅层机器学习方法相比，3DCNN 将电子本底降低至多 20 倍，相当于能量阈值降低 2 $\rm keV_{ee}$。