使用机器学习从加速器实验的光子谱仪数据中重建电子辐射谱和束流参数
摘要：在预测的FACET-II实验中恢复入射光子流的关键特征，例如它们的能量分布和原始电子束的参数，仍然是一个未解决的计算问题。本文利用模拟的等离子体尾场加速贝塔辐射实验和电子-正电子对产生数据，确定了哪种方法可以最可靠地重建这些关键特性。这两种情况下的数据提供了大范围的光子能量，从而增加了对每种测试方法的信心。在这两种情况下，我们比较了最大似然估计（MLE），一种用于确定未知参数的统计技术，神经网络，通过重复训练来检测数据集之间的模式，并结合两者的混合方法的性能。此外，在电子-正电子产生案例中，本文还比较了QR分解，一种矩阵分解方法。贝塔辐射案例证明了混合ML-MLE方法的有效性，而电子-正电子对产生案例则说明了ML模型在面对噪音时的有效性。因此，ML-MLE混合方法被证明是最具普适性的方法。
作者：M. Yadav, S. Zhang, M. Oruganti, B. Naranjo, Y. Zhuang, "O. Apsimon, C. P. Welsch, and J. B. Rosenzweig
论文ID：2209.12119
分类：Accelerator Physics
分类简称：physics.acc-ph
提交时间：2022-09-27