重新思考全吸收伽马能谱解卷积：监督机器学习与响应矩阵方法

在全吸收 $\gamma$ 射线能谱中提取 $\beta$ 馈送分布构成了一个具有挑战性的逆问题，特别是在涉及大量激发态的复杂衰变方案的核中。在这种情况下，测量到的能谱是由许多探测器响应函数叠加而产生的，使得确定单个馈送本质上是不适定的，并且对所采用的方法高度敏感。在这项工作中，我们使用实验性全吸收能谱仪的真实 Monte Carlo 模拟，对监督机器学习技术和响应矩阵方法进行了系统比较。监督机器学习方法构建了一个非参数估计器，在训练阶段后从测量能谱中推断能级馈送，而响应矩阵方法则通过直接最小化测量能谱与重建能谱之间的差异来确定馈送分布。我们的结果表明，监督机器学习技术在重建单个馈送强度方面实现了更高的准确性，而响应矩阵方法提供了鲁棒且物理一致的初始解。这些发现支持了一种混合策略，即首先使用响应矩阵方法获得初始馈送估计，然后使用监督机器学习方法对其进行细化，以实现更好的整体准确性。