用于优化高纯锗探测器时间分辨率的机器学习高效方法
仪器与探测器
2020-04-02 v1 材料科学
机器学习
高能物理 - 实验
核实验
数据分析、统计与概率
摘要
我们在此描述一种基于机器学习的有效方法，用于优化提取波形到达时间所用参数，特别是由 60 cm3 同轴高纯锗探测器（HPGe）探测 511 keV 湮灭伽马射线所产生的波形。该方法利用一种称为自组织映射（SOM）的人工神经网络（ANN）根据上升沿形状对 HPGe 波形进行聚类。通过最小化 HPGe 信号与 BaF2 闪烁探测器产生信号之间的时间差，找到属于特定聚类的 HPGe 波形的最优时间参数。将这些可变时间参数应用于 HPGe 信号，在 511 keV 光电峰（定义为 511 ± 50 keV）处实现了约 4.3 ns 的伽马符合时间分辨率，在整个伽马能谱上实现了约 6.5 ns 的时间分辨率——且不拒绝任何有效脉冲。该时间分辨率接近模拟核电子学的最佳结果，却无模拟优化流程相应的复杂性。我们进一步通过将该方法应用于高能正电子植入样品后产生的次级电子飞行时间谱，证明了该机器学习方法的普适性与有效性。
引用
@article{arxiv.2004.00008,
title = {Efficient Machine Learning Approach for Optimizing the Timing Resolution of a High Purity Germanium Detector},
author = {R. W. Gladen and V. A. Chirayath and A. J. Fairchild and M. T. Manry and A. R. Koymen and A. H. Weiss},
journal= {arXiv preprint arXiv:2004.00008},
year = {2020}
}