利用机器学习分离混合中微子探测器中的切伦科夫光与闪烁光

本研究调查了在模拟的水基液体闪烁体 (WbLS) 探测器中分离切伦科夫光和闪烁光信号的问题，利用了 XGBoost 机器学习算法。模拟数据是使用基于 Geant4 架构的 Rat-Pac 软件收集的。WbLS 介质具有在单个探测器内同时产生闪烁光和切伦科夫光的能力。为了展示对这两种物理事件的分离能力，我们将使用监督学习方法。评估利用了混淆矩阵、分类报告和 ROC 曲线，其中 ROC 曲线显示的绩效结果为 $0.96 \pm 1.2\times 10^{-4}$。该研究还旨在确定通过机器学习有效区分这些物理事件的关键参数。为此，本研究引入了 SHAP 方法，利用博弈论来评估特征贡献。研究结果表明，命中次数 (number of hits) 对训练模型有显著影响，而平均命中时间 (mean hit time) 的影响较小。本研究推进了人工智能和模拟数据在中微子探测器中精确分离切伦科夫光和闪烁光的应用。