基于机器学习的实验电子束与伽马能谱分布分析
加速器物理
2023-09-26 v2
摘要
高能电子束与高场系统（如SLAC国家加速器实验室即将开展的FACET-II实验）相互作用产生的光子通量，可深入揭示相互作用点处电子束的潜在动力学。然而，提取该信息是一个复杂过程。为展示如何以现代方法应对这一挑战，本文利用来自模拟等离子体尾场加速衍生的betatron辐射实验和高场激光-电子基辐射产生的数据，以确定重建关键束流与相互作用性质的可靠方法。对于这些测量，从两台正在调试的先进谱仪中恢复发射的200 keV至10 GeV光子能谱，需要测试多种方法以最终确定从其响应到入射电子束信息的流水线。在每种情况下，我们比较了以下方法的性能：神经网络（通过重复训练检测数据集间模式）；最大似然估计（MLE，一种用于从观测数据分布确定未知参数的统计技术）；以及结合两者的混合方法。此外，对于能量高于30 MeV的光子，我们还检验了QR分解（一种矩阵分解方法）的有效性。betatron辐射与高能光子情形展示了混合ML-MLE方法的有效性，而高场电动力学相互作用与低能光子情形则展示了机器学习（ML）模型在噪声存在下的效率。因此，尽管所有方法均有用处，ML-MLE混合方法被证明最具泛化能力。
引用
@article{arxiv.2209.12119,
title = {Machine learning-based analysis of experimental electron beams and gamma energy distributions},
author = {M. Yadav and M. Oruganti and S. Zhang and B. Naranjo and G. Andonian and Y. Zhuang and Ö. Apsimon and C. P. Welsch and J. B. Rosenzweig},
journal= {arXiv preprint arXiv:2209.12119},
year = {2023}
}
备注
23 pages, 30 figures