R3B 实验中 CALIFA 量能器的聚类重建的机器学习方法
仪器与探测器
2025-06-12 v1 高能物理 - 实验
摘要
FAIR 上的 R3B 实验利用高能放射性束流研究核反应。R3B 的关键探测器之一是 CALIFA 量能器，由 2544 个 CsI(Tl) 闪烁晶体组成，旨在探测轻带电粒子和伽马射线，在多普勒校正后具有百分比量级的能量分辨率。从稀疏击中模式中进行精确的聚类重建是一项关键要求。标准算法通常使用固定的聚类大小或几何阈值。为提升性能，采用了包括几何、能量和单次相互作用时间在内的多维参数空间的先进机器学习技术，如凝聚聚类。一种边缘检测神经网络表现出显著差异。本研究基于 Geant4 模拟，展示了聚类重建效率提升超过 30%，证明了机器学习在核物理实验中的潜力。
引用
@article{arxiv.2506.09088,
title = {Machine Learning for the Cluster Reconstruction in the CALIFA Calorimeter at R3B},
author = {Tobias Jenegger and Nicole Hartman and Roman Gernhaeuser and Lukas Heinrich and Laura Fabbietti},
journal= {arXiv preprint arXiv:2506.09088},
year = {2025}
}
备注
6 pages, 3 figures