无需标注数据！自监督学习实现探测器丝校准与位置重建同步优化
Physics-Informed Self-Supervised Learning for Joint Wire Calibration and Interaction Position Reconstruction in Multi-Wire Parallel Plate Avalanche Counters
📖 AI 总结
本文提出一种物理信息自监督学习框架，可在多丝平行板雪崩计数器（MWPPAC）中同时完成丝校准与相互作用位置重建，无需标注位置数据或专门校准实验。该方法将探测器校准建模为潜变量优化问题，利用探测器几何与电荷—能量一致性约束作为唯一监督信号，联合估计全局丝增益与逐事件相互作用位置；同时用与探测器无关的神经网络从局部电荷分布直接学习探测器响应，重建亚丝级位置，避免依赖解析感应剖面假设。端到端可微设计支持连续自校准，提升位置重建的均匀性与精度。在VAMOS++磁谱仪入口MWPPAC跟踪探测器上的实验表明，方法收敛稳定，空间均匀性和位置分辨率均有改善。其意义在于为科学仪器提供通用的物理信息自监督校准范式，推动探测器校准从实验前置条件转变为测量过程的有机组成部分，朝向可在线持续自适应的自主智能仪器迈进。
🔑 关键词速览
| Multi-Wire Parallel Plate Avalanche Counters (MWPPACs) | 一种多丝平行板雪崩计数器，用于粒子物理实验中探测带电粒子位置和能量。 |
| Physics-Informed Self-Supervised Learning | 一种结合物理约束的自监督学习方法，无需人工标签即可训练模型。 |
| Wire Calibration | 对探测器中的丝增益进行校准，以准确转换信号为物理量。 |
| Interaction Position Reconstruction | 从探测器信号中重建粒子与探测器相互作用的位置。 |
| VAMOS++ Magnetic Spectrometer | 一种用于核物理实验的大型磁谱仪，用于分析带电粒子。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅