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

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及ぶ応用を伴う核計測における重要なテーマです。
高速アナログデジタルコンバータはますます開発され、利用しやすくなっていますが、核検出器の信号処理におけるその潜在的な用途とメリットは、まだ不確実であり、その理由の一部は、関連するタイミングアルゴリズムが十分に理解および利用されていないことによるものです。
この論文では、イベント データの明示的なラベル付けを必要とせずに、モジュール化された検出器のタイミング解析のための深層学習に基づく新しい方法を提案します。
固有の時間相関を利用することで、特別に設計された正則化機能を備えたラベルフリーの損失関数が形成され、意味のある正確なマッピング関数に向けたニューラル ネットワークのトレーニングが監視されます。
我々は、この方法で望まれる最適な関数の存在を数学的に実証し、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。
提案された方法は、主なトランスデューサーとしてシリコン光電子増倍管 (SiPM) に基づく 2 つの実験データセットで検証されます。
おもちゃの実験では、ニューラル ネットワーク モデルは 8.8 ps のシングル チャネル時間分解能を達成し、データセット内の概念ドリフトに対する堅牢性を示しました。
電磁熱量計の実験では、いくつかのニューラル ネットワーク モデル (FC、CNN、LSTM) がテストされ、根底にある物理的制約への適合性を示し、従来の方法に対するパフォーマンスを判断します。
全体として、提案された方法は、理想的な実験条件でもノイズの多い実験条件でもうまく機能し、波形サンプルから時間情報を首尾よく正確に回復します。

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 detectors without explicit needs of labelling event data. By taking advantage of the intrinsic time correlations, 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 based on silicon photomultipliers (SiPM) as main transducers. 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, Google