机器学习在宇宙线粒子鉴别中的应用

摘要

基于热中子探测器实验模拟数据,使用决策树(decision tree,DT)、随机森林(random forest,RF)和BP神经网络(back-propagation neural network,BPNN)构建了宇宙线粒子鉴别机器学习模型,对每种粒子分别使用不同的机器学习算法基于模拟数据进行模型训练,并针对算法进行超参数调整,将每种算法的AUC值和Q品质因子作为粒子成分鉴别的评价指标.实验结果表明,不同机器学习模型对粒子预测精度影响很大.在测试检验中,经过交叉网格搜索方法调参后的决策树鉴别模型对中成分(碳氮氧和镁铝硅)比较敏感,鉴别模型AUC值均在0.95以上,Q品质因子均大于6;经交叉网格搜索方法调参后的随机森林鉴别模型对于宇宙线粒子鉴别的效果最好,所有粒子鉴别模型的AUC值均大于0.92且Q品质因子均在4以上;BP神经网络算法只对质子和铁核比较敏感.本研究对宇宙线粒子鉴别和筛选提供了新的方法和选择,可为热中子探测器后续开展宇宙线能谱测量提供新思路.