Speaker
Hai Chen
(Zhejiang University)
Description
电磁量能器（ECAL）作为AMS实验中高能电磁簇射测量和粒子鉴别的核心探测器，在电子/正电子能量测量、质子背景抑制、光子方向重建以及高能宇宙线物理分析中发挥关键作用。随着TeV能区统计量的积累，传统基于人工变量和多变量判别的方法在复杂三维簇射形态刻画、能量依赖性建模和极端背景抑制方面面临更高要求。本报告将介绍基于深度学习的AMS-ECAL重建方法研究进展。通过将ECAL的多层三维能量沉积信息转化为适合神经网络处理的图像化输入，并采用残差神经网络（ResNet）结构，可实现对电磁簇射轴方向、入射位置以及电子/质子粒子鉴别的端到端建模。该方法能够自动学习纵向和横向簇射发展特征，增强对高能电磁簇射拓扑结构的识别能力，并为独立于硅径迹探测器的量能器重建提供新的技术路径。这些研究对于提升AMS在高能正负电子谱、正电子超额、可能的暗物质或天体源信号搜索等物理测量中的分析能力具有重要意义。
| 请选择分会 | 中微子物理、粒子天体物理与宇宙学 |
|---|
