使用全卷积神经网络学习解析中子共振

arXiv cs.LG 论文
neutron-resonances convolutional-neural-networks transmission-spectra r-matrix machine-learning nuclear-physics arxiv

摘要

这项初步研究应用全卷积神经网络自动检测透射谱中的中子共振，实现了约93%的分类准确率，但未能泛化到未见过的同位素。作者建议未来工作应使用更大的数据集并融入物理信息特征。

arXiv:2608.04027v1 公告类型：新 摘要：本研究探讨了将传统R矩阵代码与强大的机器学习框架相结合，用于自动检测透射谱中的中子共振的可行性。中子透射数据通常复杂且带有噪声，使用传统峰值识别方法难以分析。目前物理学家用于拟合这些数据的最先进的R矩阵代码通常依赖先前的评估，并且需要大量人工投入。这项初步研究展示了一种加速中子透射数据实验后处理并减少因依赖先前评估而产生偏差的方法。我们采用全卷积神经网络对七条透射谱（两条评估谱和五条实验谱）中的单个点进行分类，将其划分为共振区域或非共振区域。尽管模型实现了约93%的分类准确率，但进一步分析表明，该指标高估了其泛化能力。基于我们在PHYSOR 2026中的先前分析，我们发现，尽管加入了更多训练数据，该方法仍无法可靠地泛化到先前未见过的同位素。为解决这些局限性，未来的工作应评估更大、更多样化的训练数据集是否能够产生可泛化的模型，并应结合中子共振的已知物理特性以提高模型性能。
查看原文
查看缓存全文

缓存时间: 2026/08/06 07:44 

# 使用全卷积神经网络学习解析中子共振
来源：https://arxiv.org/abs/2608.04027
查看 PDF（https://arxiv.org/pdf/2608.04027）

> 摘要：本研究探讨了将传统 R\-Matrix 代码与一种稳健的机器学习框架相结合，以自动检测透射谱中的中子共振的可行性。中子透射数据通常复杂且带有噪声，这使得传统峰识别方法难以对其进行分析。目前物理学家用于拟合这些数据的最先进的 R\-Matrix 代码往往依赖先前的评估结果，并且需要大量人工投入。这项初步研究展示了一种加速中子透射数据实验后处理并减少对先前评估依赖所带来偏差的方法。我们采用全卷积神经网络将七组透射谱（两组评估数据，五组实验数据）中的各个点分类为共振区域或非共振区域。尽管模型实现了 93% 左右的分类准确率，但进一步分析表明，该指标高估了其泛化能力。基于我们在 PHYSOR 2026 上的先前分析，我们发现，尽管加入了更多训练数据，该方法仍无法可靠地泛化到先前未见过的同位素。为解决这些局限，未来的工作应评估更大且更多样化的训练数据集能否产生可泛化的模型，并将中子共振的已知物理特征纳入考量以提升模型性能。

## 提交历史

来自：Majdi Radaideh \[查看邮箱（https://arxiv.org/show-email/c707f612/2608.04027）\] **\[v1\]** 2026 年 7 月 27 日，星期一 18:43:20 UTC（3,147 KB）

相似文章

Neural Network-Assisted CLEAN for Channel Modeling in Low-SNR Regimes

arXiv cs.LG

This paper proposes NN-CLEAN, a hybrid framework that embeds a multi-head residual network into the iterative CLEAN extraction loop for efficient multipath parameter estimation in low-SNR channel modeling. It matches traditional Grid-Search CLEAN accuracy while greatly reducing computational complexity and enabling parallelization for real-time MIMO systems.

通过内部激活的频谱分析检测神经网络故障

arXiv cs.LG

本文识别了神经网络在错误分类期间内部激活中的频谱漂移，并引入了自检测神经网络（SDNN），通过监控频谱动态来检测故障，在CIFAR-10上实现了79%的AUROC，比基于置信度的方法高出25-30个百分点。