Label-free timing analysis of modularized nuclear detectors with physics-constrained deep learning

要約

タイトル：物理制約のあるディープラーニングによるモジュール化された核検出器のラベルフリーなタイミング分析

要約：

– パルスタイミングは、高エネルギー物理学から放射線イメージングまで広範囲にわたる核計装の重要なトピックです。
– 核検出器シグナル処理で使用される高速アナログデジタル変換器の潜在的な用途とメリットは、まだ完全に理解されておらず、一部は十分に理解され活用されていないタイミングアルゴリズムのためです。
– 本論文では、ラベル付きイベントデータの明示的なニーズなしに、モジュール化された核検出器のタイミング分析に関するディープラーニングに基づく新しい手法を提案します。
– 個々の検出器の内部時刻相関の利点を生かして、特別に設計された正則化子を持つラベルフリー損失関数が形成され、ニューラルネットワークのトレーニングを意味のある正確なマッピング関数に向けて監視します。
– 方法で望ましい最適関数が存在することを数学的に示し、モデルのトレーニングとキャリブレーションのための体系的なアルゴリズムを提供します。
– 提案手法は、2つの実験データセットで検証されています。トイ実験では、ニューラルネットワークモデルはシングルチャンネルの時間分解能が8.8 psに達し、データセットの概念ドリフトに対する堅牢性を示しました。
– 電磁カロリメーター実験では、FC、CNN、LSTMの複数のニューラルネットワークモデルがテストされ、基礎となる物理的制約に適合し、従来の方法に対するパフォーマンスを判断することができました。
– 提案手法は、理想的またはノイズの多い実験条件でも正確に時間情報を波形サンプルから回復することができます。

要約(オリジナル)

Pulse timing is an important topic in nuclear instrumentation, with far-reaching applications from high energy physics to radiation imaging. While high-speed analog-to-digital converters become more and more developed and accessible, their potential uses and merits in nuclear detector signal processing are still uncertain, partially due to associated timing algorithms which are not fully understood and utilized. In this paper, we propose a novel method based on deep learning for timing analysis of modularized nuclear detectors without explicit needs of labelling event data. By taking advantage of the inner time correlation of individual detectors, a label-free loss function with a specially designed regularizer is formed to supervise the training of neural networks towards a meaningful and accurate mapping function. We mathematically demonstrate the existence of the optimal function desired by the method, and give a systematic algorithm for training and calibration of the model. The proposed method is validated on two experimental datasets. In the toy experiment, the neural network model achieves the single-channel time resolution of 8.8 ps and exhibits robustness against concept drift in the dataset. In the electromagnetic calorimeter experiment, several neural network models (FC, CNN and LSTM) are tested to show their conformance to the underlying physical constraint and to judge their performance against traditional methods. In total, the proposed method works well in either ideal or noisy experimental condition and recovers the time information from waveform samples successfully and precisely.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI