基于光谱感知的脉冲神经网络：粒子探测器信号的案例研究

基于碳光探测器的粒子探测器在高能物理和天体物理实验、核医学成像、工业和环境检测等领域广泛应用。精确提取事件层面的碳光信号特征对于这些应用至关重要，不仅关乎理解碳光体本身，还关乎入射粒子的类型和物理属性。最近的研究表明，数据驱动的神经网络在信号难以解析或噪声显著时优于传统统计方法。然而，大多数紧密连接或卷积基于网络未充分利用碳光信号的谱和时序结构，仍留有显著提升空间。本文提出一种专为碳光脉冲特征化设计的网络架构，基于时序分析的 prior work。核心洞见在于，直接对原始信号应用快速傅里叶变换并利用不同频率分量，所提出的网络架构可作为轻量且增强的表示学习主干。我们在两个案例研究中证明了这一想法：(a) 基于 LUX 深色物探测器设置生成的仿真数据，(b) 用于模拟 NICA/MPD 能量堆积计量表中碳光变化的实验电气信号。所提出的模型在文献中参考模型和紧密连接模型方面取得显著更好结果，显示出高于传统机器学习方法的更高性价比。