基于深度学习和不确定性感知卡尔曼滤波的实时可得贝塔顿谱线测量
加速器物理
2025-12-11 v1
摘要
贝塔顿谱线测量是紧凑质子疗法同步旋道束控中必不可少的技术，但传统的峰值检测技术在这些机器中典型的低信噪比（SNR）条件下不够稳健。本文提出一种轻量级卷积神经网络，能够以亚毫秒推理延迟和校准的不确定性估计实现从Schottky谱线的实时谱线提取。该模型采用基于注意力的池化进行可靠的峰值定位，并采用双分支架构联合预测谱线及其相关不确定性。通过拉普拉斯负对数似然损失训练，产生的不确定性估计的大小能够跟踪瞬时预测误差，从而实现不确定性感知卡尔曼滤波以进行时序平滑。在覆盖SNR从0至-20 dB范围的大型合成数据集实验中，本方法在传统峰值检测基准上显著提升性能，卡尔曼滤波进一步抑制了时序操作中的暂态离群值。初步验证在实际束流数据中表明，该方法无需重新训练即可实现稳定的谱线跟踪。仅需约2.0×10^4个可训练参数即可在一般商品GPU硬件上实现实时推理，使该诊断为紧凑型医疗同步旋道和类似加速器提供了快速准确的贝塔顿谱线监控的实用解决方案。
关键词
引用
@article{arxiv.2512.09302,
title = {Real-Time-Capable Betatron Tune Measurement from Schottky Spectra Using Deep Learning and Uncertainty-Aware Kalman Filtering},
author = {Peihan Sun and Manzhou Zhang and Renxian Yuan and Deming Li and Jian Dong and Ying Shi},
journal= {arXiv preprint arXiv:2512.09302},
year = {2025}
}