从光到能量：基于光电二极管 (SiPM) 检测器的位置与能量沉积估计的机器学习算法
仪器与探测器
2025-11-04 v1
摘要
散粒子-SiPM 粒子探测器 (SSPD) 是一种紧凑、低功耗的装置，具有粒子物理、地下成像、宇宙射线研究和太空探测等应用。它们基于带有角端安装 SiPM 的棱柱形散粒子板。先前的工作已证明，基于散粒子光传播物理模型的解析算法可对粒子入射位置和轨迹进行重建，并对沉积能量和线性能量沉积 (LET) 进行估计，准确率适中。在本研究中，我们采用机器学习 (ML) 方法，具体为梯度提升技术，以提高空间位置和能量沉积估计的准确性。使用 GEANT4 仿真工具包，我们模拟了 cosmic muons 和高能氧离子穿越 SSPD 的情况，训练 XGBoost 和 LightGBM 模型以预测粒子入射位置和沉积能量。两种算法均优于解析基线方法。我们进一步探讨了混合策略，包括混合提升和探测。虽然混合提升未提供显著的改进，但探测方法在位置和 LET 估计方面实现了可衡量的提升。这些结果表明，ML 驱动的重建为提升 SSPD 性能提供了强大的增强手段。
关键词
引用
@article{arxiv.2511.00499,
title = {From Light to Energy: Machine Learning Algorithms for Position and Energy Deposition Estimation in Scintillator-SiPM detectors},
author = {Yoav Simhon and Alex Segal and Ofer Amrani and Erez Etzion},
journal= {arXiv preprint arXiv:2511.00499},
year = {2025}
}