Generative Adversarial Networks for Scintillation Signal Simulation in EXO-200

要約

【タイトル】EXO-200におけるシンチレーション信号シミュレーションのための生成敵対的ネットワーク

【要約】

– 実際の事象のサンプルまたはシミュレーション事象のサンプルで訓練された生成敵対的ネットワークが、効率的な大規模なシミュレーションデータセットの生成手法として提案されている。
– 本研究では、EXO-200実験のタイムプロジェクションチャンバーからの光検出器信号のシミュレーションを行う新しい手法を示している。
– この手法は、Wasserstein Generative Adversarial Networkに基づいており、与えられたオブジェクト集合の母集団分布の暗黙の非パラメトリックな推定を可能にする深層学習技術を使用している。
– ネットワークは、生のシンチレーション波形を入力として使用した実際のキャリブレーションデータで訓練されており、従来のシミュレーション手法よりもオーダーマグニチュード高品質なシミュレーション波形を迅速に生成し、トレーニングサンプルから汎化して抽象的な高水準の特徴を識別することができることがわかっている。
– 特に、ネットワークは、検出器内のシンチレーション光応答の位置依存性を正しく推定し、不良な光検出器チャンネルを正しく認識することができる。
– ネットワークの出力は、EXO-200解析フレームワークに統合され、標準的なEXO-200再構築ルーチンがシミュレーション波形を処理して実際の波形と同等のエネルギー分布を生成することを示している。
– 最後に、残りの相違点とアプローチをさらに改善する可能性が強調されている。

要約(オリジナル)

Generative Adversarial Networks trained on samples of simulated or actual events have been proposed as a way of generating large simulated datasets at a reduced computational cost. In this work, a novel approach to perform the simulation of photodetector signals from the time projection chamber of the EXO-200 experiment is demonstrated. The method is based on a Wasserstein Generative Adversarial Network – a deep learning technique allowing for implicit non-parametric estimation of the population distribution for a given set of objects. Our network is trained on real calibration data using raw scintillation waveforms as input. We find that it is able to produce high-quality simulated waveforms an order of magnitude faster than the traditional simulation approach and, importantly, generalize from the training sample and discern salient high-level features of the data. In particular, the network correctly deduces position dependency of scintillation light response in the detector and correctly recognizes dead photodetector channels. The network output is then integrated into the EXO-200 analysis framework to show that the standard EXO-200 reconstruction routine processes the simulated waveforms to produce energy distributions comparable to that of real waveforms. Finally, the remaining discrepancies and potential ways to improve the approach further are highlighted.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI