中文

带电粒子束的重建式人工智能光谱学

等离子体物理 2026-08-12 v1 加速器物理
作者: Vasily Kozhevnikov , Andrey Kozyrev , Elena Klepalova , Victor Tarasenko , Evgenii Baksht
在 arXiv 上查看 ↗ PDF ↗

摘要

本研究引入了一种物理信息神经网络(PINN)框架，用于从稀疏采样的衰减曲线数据中重建电子能谱。借助 NVIDIA PhysicsNeMo 平台，所提出的无网格方法直接在原始实验数据集上运行，并显式纳入所有实验不确定性。对亚纳秒电子束测量的验证表明，该方法能准确分辨能量分布中复杂的多峰谱特征。该框架通过嵌入的物理规律强制物理一致性，并展现出从含噪、低精度且稀疏的实验数据中重建能谱的强大预测能力。

关键词

物理信息神经网络 电子能谱重建 带电粒子束 衰减曲线 稀疏数据

引用

@article{arxiv.2608.11628,
  title  = {Reconstructive AI Spectroscopy of Charged Particle Beams},
  author = {Vasily Kozhevnikov and Andrey Kozyrev and Elena Klepalova and Victor Tarasenko and Evgenii Baksht},
  journal= {arXiv preprint arXiv:2608.11628},
  year   = {2026}
}