基于机器学习的12C+12C反应事件分类与顶点重构——MATE-TPC研究
机器学习
2026-05-28 v1 核实验
仪器与探测器
摘要
在现代核物理实验中，识别有趣事件对带有活目标时间投影阵列（TPC）的核反应研究具有挑战性。本文采用机器学习技术对来自名为MATE（面向核实验的多用途活目标时间投影阵列）的TPC对12C+12C融合反应的复杂数据进行分析。具体而言，我们成功地将残差神经网络（ResNet-50、ResNet-34和ResNet-18）和视觉几何组（VGG-19）应用于对12C+12C反应中的弹性散射和融合反应事件进行分类。四个模型的分类结果 nearly identical，分别在模拟数据和实验数据上的准确率分别约为97%和90%。此外，这些方法成功识别了传统方法误分类的一些事件。这些模型还用于对不同融合反应通道的事件进行分类，在模拟数据上的分类准确率约为95%。此外，开发了一个卷积神经网络（CNN）模型用于重构反应顶点，为顶点重构提供了另一种策略。这些结果表明，机器学习技术能够有效地对来自不同通道的反应事件进行分类和顶点重构，从而为复杂核反应数据的未来分析铺平了道路。
引用
@article{arxiv.2605.28296,
title = {Machine Learning methods for event classification and vertex reconstruction of the 12C + 12C reaction with the MATE-TPC},
author = {Minghui Zhang and Xiaobin Li and Jie Chen and Ningtao Zhang and Fenhua Lu and Junrui Ma and Jiazhen Yan and Wanqin Tu and Xiaodong Tang and Bingshui Gao and Chengui Lu and Zhichao Zhang and Jinlong Zhang and Weiping Liu},
journal= {arXiv preprint arXiv:2605.28296},
year = {2026}
}