王少博：巴黎卓越工程师学院
能源与动力专业 副教授
基于机器学习的特征提取，
实现了粒子径迹中顶点的识别和重建
无中微子双贝塔衰变（NLDBD）实验是国内外粒子和核物理热门研究方向之一。如果能够实验证实NLDBD发生，将直接证明中微子是其本身的反粒子，从而可能揭示中微子质量极小的奥秘。其也意味着轻子数不守恒，可以解释宇宙为什么是由正物质组成的。这也是Science发布全世界最前沿的125个科研问题之一。鉴于其科学意义的重要性，国际上的实验研究竞争激烈。多个实验利用不同的实验技术积极地搜寻这个稀有的衰变过程，目前已将半衰期的限制推进到1026年水平，但是尚未发现。作为下一代实验研究的重要方向，PandaX-III是上海交通大学主导的大型NLDBD国际合作实验，也是首个建成的基于气体时间投影室技术的百公斤NLDBD探测器。
图 1：在探测器不同位置的粒子径迹，
在粒子扩散作用下，漂移距离越长粒子径迹约弥散。
图 2：构建VGGZ0net模型进行粒子绝对位置重建。
PandaX-III探测器无法记录粒子在探测器中发生的绝对位置，严重影响了对探测器性能的理解和对NLDBD探测灵敏度的提升，一直以来是实验亟待解决的难题。上海交通大学王少博、韩柯团队与中山大学王为、李涛、陈羽团队联合提出了采用卷积神经网络提取粒子在探测器漂移过程中的扩散引入的物理特征，建立了其与粒子在探测器中发生绝对位置的映射关系，实现了在1200cm漂移距离上11cm重建精度，并通过实验数据验证了方法的可靠性。这将助力PandaX-III实验性能的提升，该方法本身具有很强的创新性和拓展性。该成果“Reconstruction of the event vertex in the PandaX-III experiment with convolution neural network”发表在Journal of High Energy Physics（IF=6.379, JCR Q1）上（https://doi.org/10.1007/JHEP05(2023)200），相关工作得到了国家自然科学基金，粒子物理、天文和宇宙学教育部重点实验的支持。
图 3：VGGZ0net预测实验数据中的粒子的位置Zc和能量Er分布，由于电子在漂移过程中受到了电负性气体的吸附检测到的能量随着绝对位置增加而减少。
目前，机器学习方法已经被大量应用到高能物理、粒子物理、天体物理实验中进行数据重建、信号识别、和数据增强。本文提出的VGGZ0net首次将机器学习手段应用到连续分布的粒子径迹顶点重建的回归问题中，为粒子径迹的重建和特征分析提供了全新的解决方案。
来源｜巴黎卓越工程师学院
文案提供｜王少博
编辑｜徐知遥
speit2013
http://speit.sjtu.edu.cn/