基于机器学习的 n_TOF 设施 EAR1 区域分辨函数参数化
计算物理
2025-10-10 v2 核实验
仪器与探测器
摘要
本研究解决了对来自 CERN n_TOF 中中子时间飞行设施中子束分辨函数进行参数化的挑战。其困难之处在于，分辨函数在中子能量约 10 个数量级范围内呈现出较强的形状变化。为避免人工识别合适解析形式——这一做法阻碍了过去的尝试——我们利用了灵活的机器学习技术。特别是，我们通过训练多层前馈神经网络来参数化该分辨函数，依赖于这样一种关键思想：此类网络充当通用逼近器。针对 n_TOF 设施第一个实验区域的第三个运行阶段的分辨函数，本文提出了概念验证。我们提出的网络结构对于该问题的最佳，预计也适用于其他实验区域以及 n_TOF 不同运行阶段。为从单一参数化形式重建常用的几种分辨函数形式，我们提供了一个实用工具，即一种特殊的 C++ 类，封装了适用于该任务的计算高效程序。具体而言，该类允许将用户指定的原始质子束的时间展开（来自 n_TOF 中的中子产生过程）应用于所需的分辨函数形式。
引用
@article{arxiv.2503.22220,
title = {Machine learning based parametrization of the resolution function for the first experimental area (EAR1) of the n_TOF facility at CERN},
author = {Petar Žugec and Marta Sabate Gilarte and Michael Bacak and Vasilis Vlachoudis and Adria Casanovas and Francisco Garcia Infantes},
journal= {arXiv preprint arXiv:2503.22220},
year = {2025}
}
备注
12 pages, 8 figures