超快光子堆积下恢复光谱信息的机器学习方法

我们提出了从多个并发光子相互作用中恢复光谱信息的方法，这些信息通常因脉冲堆积而丢失。具体而言，我们重点关注利用机器学习方法，基于位置灵敏探测器中的空间（而非时间）能量沉积模式来恢复信息。我们构建了两个代表性问题，即（1）恢复来自单能信号与平滑背景的总能量沉积比例；以及（2）在纯源项示例中恢复信号多重数，即相互作用的光子数。在信号比例恢复问题中，当存在多达20个堆积光子时，我们使用3D卷积神经网络（CNN）、全连接神经网络（FCNN）、基于PointNet++架构的网络以及两种非机器学习方法来估计合成数据中的信号比例。在训练数据集可载入内存的情况下，CNN、FCNN和PointNet++模型重建信号能量沉积比例的均方根误差（RMSE）分别为$14.5\%$、$18.8\%$和$16.8\%$，而经典方法表现不佳且不会随着训练数据的增加而改善。在多重数恢复问题中，我们证明了当使用合成的堆积真实Cs-137数据进行训练时，3D CNN架构能以低于单光子的RMSE恢复多重数，优于非ML基线方法。这些方法可适用于未来更具体的主动光子探测应用，有助于在这些领域重新实现光谱分析。