Verbesserter Deep-Learning-Ansatz zur Rekonstruktion von räumlich-zeitlichen Mehrfachtreffern bei Delay-Line-Detektoren – neue Veröffentlichung in Phys. Rev. Applied
In einer kürzlich bei Phys. Rev. Applied veröffentlichten Studie präsentieren Forscher der FAU, der University of Alabama und der LMU eine verbesserte Deep-Learning-Pipeline, die die räumlich-zeitliche Rekonstruktion von Multi-Hit-Ereignissen in Delay-Line-Detektoren (DLDs) erheblich optimiert. Durch die Integration einer kanalübergreifenden Peak-Detektion und neuartiger, eigenständiger Peak-Matching-Modelle erzielt das Team eine deutlich höhere Auflösung für überlappende Signale von Teilchen, die sehr nah räumlich und zeitlich beisammen eintreffen, und liefert zudem erste Ergebnisse für Triple-Hit-Ereignisse. Validiert durch räumliche Gittermessungen sowie die Detektion von Multiphotonen-Peaks bieten diese Fortschritte ein robustes Framework für hochpräzise Teilchenkorrelationsexperimente in Bereichen wie der Attosekundenphysik und der ultrakalten Chemie.
Den vollständigen Artikel finden Sie hier: https://journals.aps.org/prapplied/abstract/10.1103/4rqm-y1l9