基于深度学习(Deep Learning)从衰减曲线(Attenuation Curve)数据重建粒子束能谱(Energy Spectrum)

《Plasma》：Deep Learning-Based Reconstruction of Particle Beam Energy Spectra from Attenuation Curve Data

　　

摘要：本文提出一种基于深度学习(Deep Learning)的方法，用于从实验测得的衰减曲线(Attenuation Curve)数据重建粒子束能量能谱(Energy Spectrum)。该问题涉及求解第一类Fredholm积分方程(Fredholm Integral Equation of First Kind)的经典不适定逆问题(Ill-Posed Inverse Problem)。与传统Arsenin–Tikhonov正则化(Arsenin–Tikhonov Regularization)不同，所提框架采用两个耦合神经网络分别进行能谱近似与自适应核修正(Adaptive Kernel Correction)，显式考虑了实验数据中测量不确定度(Measurement Uncertainty)的影响。作为一种无网格(Mesh-Free)技术，该方法直接在原始稀疏实验数据集上运行而无需预处理。利用充气二极管与真空二极管中亚纳秒电子束的数据进行验证表明，该方法能成功分辨非平凡的双峰能谱结构，特别是可可靠识别常被经典正则化伪影掩盖的"反常"高能电子(Anomalous High-Energy Electrons)群体。

论文解读：基于深度学习的粒子束能谱衰减曲线重建方法研究

一、研究背景与立题依据

实验测定加速器系统输出的高能电子、离子或中性粒子束的能谱（能量分布函数 f(ε)）是现代应用与基础物理中的重要问题。亚纳秒电子束因其在真空与气体二极管中的应用受到广泛关注，其能谱常呈多峰非平凡结构。常用的测量方法包括谱仪分析仪及衰减曲线法（Attenuation Curve Method）：使束流穿过不同厚度金属箔，测量法拉第杯收集电流随箔厚 x 的变化得到 g(x)，能谱重建归结为求解第一类Fredholm积分方程——典型的不适定逆问题（Ill-Posed Problem），需采用Arsenin–Tikhonov正则化求解。既往研究用此法重建了亚纳秒电子束能谱，证实了超出二极管电压幅值的扩展高能"尾巴"（Runaway Electrons / Anomalous Electrons）。然而传统方法存在三点局限：（1）假定积分核 K(x, ε)（Tabata–Ito公式）精确已知，而该公式本身为实验近似，含10–15%相对误差；（2）Tikhonov正则化需在能区端点强加额外边界条件（如零Neumann条件 f'(ε)=0），影响重建形状；（3）实测 g(x) 与 K(x, ε) 均为带置信区间的离散点，插值扩展会引入人为伪结构。上述因素导致重建结果存在模糊性与伪影。本文旨在用深度学习方法完整处理含 g(x) 与 K(x, ε) 双重不确定度的逆问题，克服传统局限。

二、关键技术方法概述

研究人员采用MATLAB R2025b Deep Learning Toolbox构建两个耦合的全连接神经网络：谱近似网络（Spectrum-Approximation Network，三层隐藏层各128神经元，tanh激活，Softplus输出层强制 f(ε)≥0，不含批归一化）与核修正网络（Kernel-Correction Network，输入 (x, ε) 输出 ΔK 以修正积分核不确定度）。将完整正则化泛函（含数据保真项与核不确定度惩罚项）转化为复合归一化损失函数，用Adam优化器通过dlfeval自动微分训练20000轮至收敛（MSE变化<10??）。Fredholm积分算子用Gauss–Legendre求积（能区[0.05, 0.5] MeV）转为固定权重求和融入网络前向传播。方法为无网格直接处理原始稀疏实验数据点（无需插值），通过架构设计与损失函数隐式保证非负性与光滑性，无需显式边界条件。验证所用实验数据集引自文献[6][7]：大气压力空气填充球形阴极—平面阳极气体二极管（SLEP-150发生器，Al箔阳极，衰减曲线10点）与真空二极管（RADAN-220发生器，IMA3-150E电子管，Al箔系列至345 μm，衰减曲线24点）。

三、研究结果

3.1. Subnanosecond Breakdown of Air-Filled Diode at Atmospheric Pressure（大气压充气二极管亚纳秒击穿）

研究人员将大气压力气体二极管测得的10点原始衰减曲线直接输入双网络模型，λ?约束核 K(x, ε) 最大近似误差10%，λ?按衰减曲线相对精度（数百分比至0.1%）调节。对比Arsenin–Tikhonov方法结果可见：传统解法虽给出主峰与延伸至350 keV的高能尾巴，但伴生低能伪次极大（~12.5 keV）及近400 keV处负向振荡伪影。深度学习法重建能谱在全能区严格非负，随 λ?减小（精度提高）不仅确认主峰，还分辨出对应于反常逃逸电子的二次极大（Secondary Maximum）；预测0.1%误差水平下清晰展现非平凡双峰结构。表明考虑完整逆问题可消除传统伪影并揭示被掩盖的高能电子亚群。

3.2. Electron Beam from a Subnanosecond Pulsed Vacuum Discharge（亚纳秒脉冲真空放电电子束）

研究人员对真空二极管24点衰减曲线数据同样直接训练网络。Arsenin–Tikhonov结果呈现200–320 keV处"异常平台"（Plateau）暗示高能电子但伴近370 keV负向伪影。深度学习法在10%相对误差时谱较粗；5%时现类平台特征；进一步提高精度（对应更小 λ?）明确出现对应于反常高能电子群体的二次极大；0.1%误差预测下双峰结构清晰可辨。所有完整问题解 f(ε)≥0。计算衰减曲线的均方根误差（RMSE）低于实验不确定度（2–5%），证实重建定量有效性。二次峰位于220–230 keV延展至350 keV，符合反常电子理论且仅占少量电子份额。

四、讨论与结论翻译（Conclusions节浓缩与结论要义）

研究人员指出，本方法求解含 g(x) 与 K(x, ε) 双重不确定度的第一类Fredholm积分方程不适定逆问题，优势在于：（1）无网格且直接处理原始稀疏实验数据，消除插值伪结构与采样误差影响；（2）显式处理积分核不确定度（其误差常大于 g(x) 误差）；（3）分辨出传统Tikhonov法中仅表现为平台或被噪声掩盖的能谱非平凡特征（高能区二次极大）；（4）即便数据稀疏亦具预测潜力，可预估未来测量精度提升后可观测的细微能谱结构。该方法为脉冲功率与加速器物理中稀疏含噪数据的完全逆问题提供了稳健可靠的工具，核不确定度考量也为预测输入数据精度提高时的谱形演变提供前景。

论文发表于《Plasma》（MDPI）。