利用脉冲形状与人工神经网络恢复 PMT 的饱和响应

光电倍增管（PMT）的线性响应是光子计数和中微子能量重建所需的特性。使用基于线性烷基苯（LAB）的液体闪烁体研究了 PMT 的线性有效区与饱和响应。观察到两种不同饱和响应之间的相关性，表现为脉冲形状畸变与脉冲面积减小。观测到的脉冲形状为相对于脉冲面积估算线性区提供了有用信息。这种基于相关性的诊断允许对线性范围进行 ${in}$-${situ}$（原位）估算，而此前这是具有挑战性的。利用观测到的两种饱和响应之间的相关性训练人工神经网络（ANN），以根据观测脉冲形状预测脉冲面积的减小。ANN 预测的脉冲面积减小使得能够预测与饱和行为无关的理想光电子数。这种基于脉冲形状的机器学习技术为恢复 PMT 的饱和响应提供了一种新方法。