用于提升 ISMRAN 实验反中微子探测效率的机器学习技术

印度反应堆反中微子探测闪烁体矩阵——ISMRAN 实验旨在通过逆β衰变反应（IBD）探测反应堆发射的电子反中微子（$\bar\nu_e$）。该装置由 1 吨分段式、包裹钆箔的塑料闪烁体阵列组成，计划用于远程反应堆监测与惰性中微子搜寻。来自 IBD 的瞬发正电子与缓发中子将为 ISMRAN 中 $\bar\nu_e$ 事件提供特征信号。以能量沉积的段数（$\mathrm{N_{bars}}$）及其沉积能量总和作为判别量，用于识别瞬发正电子事件与缓发中子俘获事件。然而，由于瞬发与缓发事件的 \mathrm{N_{bars} 与能量总和存在重叠区域，对上述变量采用简单截断筛选会导致较低的 $\bar\nu_e$ 信号探测效率。在此类情形下，采用经适当调谐以用于判别的多变量分析（MVA）工具将有所帮助。本工作中，我们报道了将人工神经网络——多层感知机（MLP），特别是其贝叶斯扩展 MLPBNN，应用于 ISMRAN 中模拟信号与本底事件的结果。报道了应用 MLP 将瞬发正电子事件从氢、钆核上的缓发中子俘获事件，以及典型反应堆 $\gamma$ 射线与快中子本底中分类出来的结果。使用 MLPBNN 分类器，ISMRAN 实验对瞬发筛选实现了约 91% 的效率与约 73% 的本底抑制，对缓发俘获事件实现了约 89% 的效率与约 71% 的本底抑制。