Scintillation pulse characterization with spectrum-inspired temporal neural networks: case studies on particle detector signals

要約

シンチレータを用いた粒子検出器は、高エネルギー物理学や宇宙素粒子物理学の実験、核医学イメージング、産業用検出器、環境検出器などに広く用いられている。シンチレーション信号の特性をイベントレベルで正確に抽出することは、シンチレータ自体の理解だけでなく、入射粒子の種類や物理的特性に関しても、これらのアプリケーションにとって重要である。最近の研究では、特に信号の解析形式を得るのが難しい場合やノイズが大きい場合に、データ駆動型のニューラルネットワークが従来の統計的手法を凌駕することが実証されている。しかし、密結合や畳み込みに基づくネットワークの多くは、シンチレーション信号のスペクトルや時間構造を十分に利用できず、性能向上の余地が大きい。本論文では、時系列解析の先行研究に基づき、シンチレーションパルスの特性評価に特化したネットワークアーキテクチャを提案する。核となる洞察は、原信号に対して高速フーリエ変換を直接適用し、異なる周波数成分を利用することで、提案するネットワークアーキテクチャが軽量で強化された表現学習バックボーンとして機能することである。(a)LUX暗黒物質検出器の設定で生成されたシミュレーションデータ、(b)NICA/MPD熱量計のシンチレーション変動をエミュレートするための高速エレクトロニクスを用いた実験電気信号。提案モデルは、文献の参照モデルや密結合モデルよりも有意に良好な結果を達成し、従来の機械学習手法よりも高い費用対効果を示す。

要約(オリジナル)

Particle detectors based on scintillators are widely used in high-energy physics and astroparticle physics experiments, nuclear medicine imaging, industrial and environmental detection, etc. Precisely extracting scintillation signal characteristics at the event level is important for these applications, not only in respect of understanding the scintillator itself, but also kinds and physical property of incident particles. Recent researches demonstrate data-driven neural networks surpass traditional statistical methods, especially when the analytical form of signals is hard to obtain, or noise is significant. However, most densely connected or convolution-based networks fail to fully exploit the spectral and temporal structure of scintillation signals, leaving large space for performance improvement. In this paper, we propose a network architecture specially tailored for scintillation pulse characterization based on previous works on time series analysis. The core insight is that, by directly applying Fast Fourier Transform on original signals and utilizing different frequency components, the proposed network architecture can serve as a lightweight and enhanced representation learning backbone. We prove our idea in two case studies: (a) simulation data generated with the setting of the LUX dark matter detector, and (b) experimental electrical signals with fast electronics to emulate scintillation variations for the NICA/MPD calorimeter. The proposed model achieves significantly better results than the reference model in literature and densely connected models, and demonstrates higher cost-efficiency than conventional machine learning methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL