原文内容

AI 辅助完成 Geant4 X 射线能量沉积模拟的经历

作者：陈益凯 PB22020556

背景

我近期需要使用 Geant4 搭建一个 X 射线管照射探测材料的蒙特卡罗模拟，用来计算材料的能量沉积效率。原始代码框架已经有几何、粒子源、物理过程和能量沉积统计模块，但初始模型并不是我的目标场景，因此需要把它改成 40 kV X 射线管、圆形面源、半球随机方向发射，并让光子打到指定尺寸的 LYSO 或 GaAs 材料上。

这个任务涉及的内容比较分散：既要理解 Geant4 的代码结构，也要修改源项、材料、几何、统计方式和服务器运行环境。对我来说，AI 在这个过程中更像一个结对编程助手，帮助我把需求拆成可以逐步验证的小步骤。

AI 辅助的具体过程

我先向 AI 描述了模拟目标：X 射线管电压、电流、源尺寸、发射方向、探测器距离和材料尺寸。AI 帮我定位到需要改动的几个核心文件，包括 GeometryConstruction.cc、PrimaryGeneratorAction.cc、RunAction.cc、SteppingAction.cc 和统一配置参数的头文件。

在几何部分，AI 帮我把原来的材料和几何结构改成可配置的探测材料模型，例如 LYSO 闪烁体或 GaAs 衬底，并把材料尺寸写成统一参数。这样后续从 LYSO 切换到 GaAs 时，只需要改材料定义、体名称匹配和尺寸参数，而不需要重新梳理整个工程。

在粒子源部分，AI 帮我把原来的粒子源改成 X 射线光子源：源位置在直径 1 mm 的圆形面上均匀抽样，方向在 +Z 半球内随机抽样，能量按照管电压对应的连续谱近似抽样。通过这种方式，程序不只是发射一束理想平行光，而是能够体现面源和几何接受角带来的能量损失。

在统计部分，AI 帮我区分了两个效率：

• 源到材料沉积效率：材料中沉积的总能量 / 源发射光子的总能量。
• 入射到材料后的沉积效率：材料中沉积的总能量 / 实际进入材料的光子总能量。

这个区分很重要，因为半球随机发射时，并不是所有光子都会打到材料上。如果只看源总能量，会同时包含几何损失和材料吸收；如果只看进入材料的能量，则更接近材料本身的吸收沉积能力。

服务器配置和排错

除了代码修改，AI 还协助我完成了服务器上的编译和运行排错。过程中遇到过几个典型问题，例如 CMake 缓存中残留了 Windows 路径、服务器上的 Geant4 没有启用 Qt/GDML、低能电磁物理过程缺少数据环境变量等。

AI 没有只给出笼统建议，而是根据终端报错逐步判断问题来源。例如，当程序提示 G4ENSDFSTATEDATA environment variable must be set 时，AI 指出这是 Geant4 数据库环境变量没有配置好，而不是模拟代码本身出错。随后我根据它给出的命令重新配置 Geant4 数据目录，并用小事件数先测试程序是否能正常运行。

在切换材料到 GaAs 时，我还遇到过结果全为 0 的情况。AI 帮我分析发现，问题不是 GaAs 不吸收 X 射线，而是几何体名称和 SteppingAction 中用于统计的体名称不一致，导致程序没有识别到光子进入探测材料。这个问题如果只看输出结果，很容易误判为物理模型问题。

收获

这次经历让我体会到，AI 对科研代码最有帮助的地方不是一次性生成完整程序，而是帮助我把“物理需求”翻译成“代码中需要改哪些模块”。它可以快速指出相关文件、解释报错、给出运行命令，并提醒我区分几何接受效率和材料吸收效率。

同时我也意识到，AI 给出的代码和命令仍然需要自己检查。比如 X 射线谱只是近似模型，体名称是否匹配、材料参数是否合理、统计量是否符合论文中的定义，都需要我结合物理背景和实际需求确认。比较可靠的工作方式是：让 AI 辅助拆解和初步实现，再通过编译、少量事件测试和结果解释逐步验证。

总体来说，这次使用 AI 辅助完成 Geant4 模拟代码，让我更高效地完成了从代码修改、服务器编译到结果解释的一整套流程，也让我对 Geant4 工程结构和蒙特卡罗模拟中的能量沉积统计有了更清楚的理解。