众多高能物理实验,比如大亚湾反应堆中微子物理实验,会采集并处理海量数据,然后从中提取出有用的物理信息;再通过对这些物理信息的处理最终实现预期的物理目标。同时,许多这类实验都希望影响信号的本底尽量小,以尽可能地反映出真实信号的本质。以大亚湾中微子实验举例来说,反电子中微子会与探测器以反β衰变(IBD)的方式相互作用,我们需要探测出相互作用的位置和能量信号,从而提高事例判选的效率。这是准确测量中微子震荡参数θ13的一个重要因素。在这篇论文中,我们展现了如何利用机器学习来解决大亚湾实验中的回归问题(regression problem),尤其是使用数据可视化和深度学习对蒙特卡洛数据进行事例顶点重建。通过降低事例的顶点和能量重建的不确定度,同时也能够进一步降低大亚湾反中微子探测器(AD)获取到的IBD事例数的不确定度。通过使用深度神经网络,我们还尝试了对事例能量进行重建。我们发现,和大亚湾合作组目前使用的Ad Simple重建方式相比,在大亚湾AD探测器的一些中心区域内深度神经网络能够提供更好的顶点分辨率。随后,我们展示了重建的顶点和能量的分辨率是传感器采集到信息的子模函数(submodular function)。对大亚湾探测器来说,这个信息对应于作为传感器的光电倍增管(PMT)所采集到的电荷量。通过使用深度神经网络,我们考虑可以将PMT安装到关键位置或者能够识别出这些关键位置,从而使得探测器的设计能够得到进一步的优化。也就是说,在优化资源利用的同时,可以使得PMT之间有用信息的重叠程度达到最小化,从而大幅度地提高这些有用信息的利用效率。据我们所知,在高能物理领域,深度学习的应用在本论文写作的前两年才刚刚起步,但基本上也只是针对分类问题,而不是针对本论文所提到的回归问题。此外,根据目前我们所知,利用子模性(submodularity)结合使用深度学习优化探测器的设计之前在本领域内也未见文献报道。最近,我们得知美国 Lawrence Berkeley National Lab(BNL)的 MANTISSA 研究项目已经与大亚湾国际合作组达成协议,共享反中微子探测器的相关数据以用于机器学习。