反中子重建的视觉量能器：基线方法

在高能物理中，反中子（$\bar{n}$）是频繁作为末态粒子出现的基本粒子，其运动学性质的重建对于理解支配原理提供了重要探针。然而，这在仪器上面临重大挑战——电磁量能器（EMC）是一种典型的实验传感器，但不足以恢复入射 $\bar{n}$ 的信息。本研究中，我们引入了 Vision Calorimeter（ViC），一种用于反中子重建的基线方法，利用深度学习探测器分析 EMC 响应与入射 $\bar{n}$ 特性之间的隐含关系。我们的动机在于，沉积在 EMC 单元阵列中的 $\bar{n}$ 样本的能量分布蕴含着丰富的上下文信息。将此类上下文能量分布转换为二维图像后，可以利用深度学习探测器结合伪边界框和指定的训练目标来预测 $\bar{n}$ 的状态（即入射位置和动量）。实验结果表明，ViC 显著优于传统重建方法，将入射位置的预测误差降低了 42.81%（从 17.31° 降至 9.90°）。更重要的是，本研究首次实现了入射 $\bar{n}$ 动量的测量，凸显了深度学习探测器在粒子重建中的潜力。代码可在 https://github.com/yuhongtian17/ViC 获取。