编辑推荐：
为解决多路复用微网气体探测器（Micromegas）数据歧义问题，研究人员开展基于 U-Net 架构的解复用与电子 - 缪子鉴别研究。结果表明该方法可适配 1D（条形）和 2D（像素）探测器，提升缪 ography 成像精度，为高粒度粒子探测器分析提供通用方案。
在粒子物理领域，微模式气体探测器（MPGD）如 Micromegas 被广泛用于带电粒子探测。然而，多路复用 Micromegas 探测器虽能减少电子学体积和成本，却会产生数据歧义，需通过解复用步骤确定粒子真实位置。此外，在缪 ography（利用天然缪子通量成像的技术）应用中，如何高效区分缪子与电子轨迹、提升成像精度，是当前面临的关键挑战。
为解决上述问题，法国 cea/irfu 的研究人员开展了基于 U-Net 架构的解复用和粒子鉴别方法研究。相关成果发表在《Engineering Applications of Artificial Intelligence》，为复杂探测器的数据解析提供了新思路。
研究主要采用 U-Net 神经网络架构，结合蒙特卡罗模拟和 geant4 仿真生成训练数据，针对 1D 条形探测器和 2D 像素化时间投影室（TPC）设计不同输入输出参数，通过调整滤波器数量、批量归一化等超参数优化模型性能。研究使用 tensorflow 框架进行网络训练，以二进制交叉熵为损失函数，在模拟数据和真实数据（如 scanpyramids 项目中胡夫金字塔缪 ography 数据）上验证算法有效性。
1D 条形探测器的解复用研究
研究人员利用 c++ 蒙特卡罗软件模拟缪子穿过探测器的信号，生成包含多路复用效应的 1D 向量数据。通过 U-Net 模型训练，实现对信号簇的精准定位，95% 的粒子位置误差小于 0.83 mm。在真实数据验证中，采用新方法处理胡夫金字塔缪 ography 数据，所得图像与模拟结果吻合度优于传统算法，平均绝对相对误差降低 14.6%，表明 U-Net 在低噪声环境下的解复用能力显著提升。
2D 像素化 TPC 的粒子鉴别
针对圆柱形 TPC 的六边形像素数据，研究引入包含激活状态、能量和时间信息的三维输入矩阵，利用 U-Net 同时实现解复用和粒子分类。模型可有效区分缪子与 δ- 射线轨迹，93.1% 的缪子像素被正确识别，且 95% 的缪子轨迹重建方位角和天顶角误差分别小于 15° 和 10°。研究还发现，六边形像素几何会导致特定角度的重建偏差，通过剔除异常值可进一步优化结果。
方法普适性与性能对比
U-Net 架构仅需调整输入维度、滤波器数量等少量参数，即可适配不同维度和规模的探测器（如 300-1000 条的 1D 探测器和 1300 像素的 2D 探测器）。与传统算法相比，其在解复用精度、抗噪声能力和泛化性上均表现更优，尤其在处理低空间占有率的多路复用数据时优势显著。
研究结论与意义
该研究提出的 U-Net 方法为多路复用探测器的解复用和粒子鉴别提供了统一框架，通过模拟训练和参数微调，可快速适配不同类型的高粒度探测器（包括非气体探测器）。在缪 ography 应用中，该方法提升了复杂结构（如金字塔、核反应堆）的成像质量，为非侵入式检测技术提供了关键算法支持。此外，其同时实现解复用和粒子分类的能力，为粒子物理实验中的背景噪声抑制和轨迹重建开辟了新路径，有望推动相关领域在考古、地质和核安全等实际场景中的应用。
