液体闪烁体(简称“液闪”)探测器因其成本效益高而被广泛应用于中微子探测。液闪探测器利用带电粒子激发的闪烁光来测量粒子的相关信息,并通过粒子径迹推断其运动方向。对于能量较低导致径迹过短的粒子,液闪探测器探测到的闪烁光子数量...液体闪烁体(简称“液闪”)探测器因其成本效益高而被广泛应用于中微子探测。液闪探测器利用带电粒子激发的闪烁光来测量粒子的相关信息,并通过粒子径迹推断其运动方向。对于能量较低导致径迹过短的粒子,液闪探测器探测到的闪烁光子数量远超切伦科夫光子数量(约高出两到三个数量级),因此利用切伦科夫光确定粒子运动方向极为困难,相关研究多集中于低光产额的液闪实验。对于高光产额的液闪实验,如Borexino、KamLAND和江门中微子实验(JUNO),在这方面的研究较少,尤其是在深度学习的应用方面。因此,探究深度学习在此领域的潜力具有重要意义。本工作开发了一种基于卷积神经网络(Convolutional Neural Network,CNN)的深度学习模型CRCP(Cherenkov Ring Center Predictor)用于液闪探测器点粒子运动方向重建,并与基于拟合的方法进行了效果对比。研究表明深度学习算法具有较好的重建方向能力。本工作可用于江门中微子实验、萨德伯里中微子观测站(SNO+)实验和慢液闪方案的锦屏中微子实验,以提高探测器对太阳中微子相关的本底的压低能力。展开更多
文摘液体闪烁体(简称“液闪”)探测器因其成本效益高而被广泛应用于中微子探测。液闪探测器利用带电粒子激发的闪烁光来测量粒子的相关信息,并通过粒子径迹推断其运动方向。对于能量较低导致径迹过短的粒子,液闪探测器探测到的闪烁光子数量远超切伦科夫光子数量(约高出两到三个数量级),因此利用切伦科夫光确定粒子运动方向极为困难,相关研究多集中于低光产额的液闪实验。对于高光产额的液闪实验,如Borexino、KamLAND和江门中微子实验(JUNO),在这方面的研究较少,尤其是在深度学习的应用方面。因此,探究深度学习在此领域的潜力具有重要意义。本工作开发了一种基于卷积神经网络(Convolutional Neural Network,CNN)的深度学习模型CRCP(Cherenkov Ring Center Predictor)用于液闪探测器点粒子运动方向重建,并与基于拟合的方法进行了效果对比。研究表明深度学习算法具有较好的重建方向能力。本工作可用于江门中微子实验、萨德伯里中微子观测站(SNO+)实验和慢液闪方案的锦屏中微子实验,以提高探测器对太阳中微子相关的本底的压低能力。
