利用深度神经网络从输运系数反演截面

我们提出一种神经网络，用于求解从群漂移输运数据推导截面的逆群漂移问题。为考虑这一某种程度上的不适定逆问题所固有的不确定性，我们使用来自 LXCat 项目的截面，并配对由玻尔兹曼方程数值解得到的相应输运系数来训练该神经网络。使用实验测量与理论计算的截面进行训练，促使网络避免非物理解，例如含有伪能量依赖振荡的解。我们成功将该机器学习方法应用于氦中电子输运的模拟群漂移数据，在所考虑的能量范围内分别以 $4\%$ 的精度单独确定其弹性动量转移截面与电离截面。我们将方法推广至氩的尝试不太成功，尽管该现象的原因已被充分理解。最后，我们探讨了利用该方法同时确定氦的多个截面的可行性。我们在此取得一定成功，分别以 $10\%$、$20\%$ 与 $25\%$ 的精度确定弹性、总 $n=2$ 激发与电离截面。我们未能正确解耦氦的 $n=2$ 单重态与三重态激发截面，但鉴于它们相近的阈值能量，这正如预期。