在J-PARC上开发了一种基于神经网络的背景抑制技术，用于ΣN裂变峰谱的测量

《Progress of Theoretical and Experimental Physics》：Development of a Neural Network-Based Background Suppression Technique for ΣN Cusp Spectroscopy at J-PARC

　　

摘要

在*d(K?, π?)*反应中，接近ΣN阈值处观察到一个明显的光谱增强现象，称为“ΣN尖峰”。为了理解这一增强的动态起源，J-PARC E90实验旨在以0.4 MeV（σ）的前所未有的分辨率研究缺失质量谱。在该实验中，使用了一种超子时间投影室（HypTPC）来检测带电衰变产物，并抑制来自准自由（QF）背景过程的严重污染。虽然传统的轨迹多重性条件（Mt=3）能有效抑制这些QF事件，但它将信号统计量限制在大约17%的水平，并引入了质量依赖的接受偏差，从而扭曲了光谱。相比之下，轨迹多重性为2（Mt=2）的事件提供了大约两倍的统计量（约39%），且质量依赖性较小，但它们受到严重的背景污染。为了充分利用Mt=2事件，我们开发了一种基于神经网络的创新背景抑制技术。通过使用HypTPC的轨迹拓扑结构和能量损失（dE/dx）作为输入特征构建了一个二元分类模型，我们成功地将信号与QF背景区分开来。这种机器学习方法实现的信噪比可与严格的Mt=3条件相媲美，同时保持了光谱形状的完整性。将这种由机器学习选出的Mt=2样本与传统Mt=3样本结合使用，有效地将总可用统计量提高了两倍，从而显著提高了确定ΣN尖峰参数的灵敏度。