Fast reconstruction-based ROI triggering via anomaly detection in the CYGNO optical TPC

Este artículo presenta una estrategia de detección de anomalías no supervisada basada en autoencoders convolucionales entrenados con imágenes de pedestal para la extracción rápida y eficiente de regiones de interés en las cámaras de proyección de tiempo ópticas del experimento CYGNO, logrando una reducción significativa del área de imagen sin comprometer la señal reconstruida.

Lo esencial

¡Claro que sí! Imagina que este artículo es la historia de cómo un grupo de científicos aprendió a filtrar el ruido de una fiesta para encontrar a la persona que realmente quiere hablar, todo en una fracción de segundo.

Aquí tienes la explicación de la investigación de Amaro y su equipo, contada como si fuera una historia cotidiana:

🎭 El Problema: La Fiesta del Silencio

Imagina que tienes una cámara gigante (como un ojo de 16 megapíxeles) apuntando a un tanque de gas especial (el detector CYGNO). Esta cámara toma fotos increíbles, pero hay un problema: la mayoría de las fotos están vacías.

• La realidad: En el 99% de las fotos, solo ves "niebla" o estática (ruido electrónico). Es como mirar una pantalla de TV sin señal.
• La rareza: De repente, aparece una partícula (como un fantasma invisible) que deja una pequeña huella o "rastro" de luz. Esto es lo que los científicos quieren estudiar (la búsqueda de materia oscura).
• El caos: La cámara toma fotos tan rápido y tan grandes que, si guardáramos todo, necesitaríamos un disco duro del tamaño de un edificio solo para guardar fotos de "nada". Necesitamos un sistema que diga: "¡Eh, aquí hay algo interesante! Guarda solo esto. El resto, tíralo".

🧠 La Solución: El "Detective de la Estática"

Los científicos usaron una inteligencia artificial (un tipo de red neuronal llamada Autoencoder) para resolver esto. Pero no la entrenaron como a un detective normal que busca criminales. La entrenaron de una forma muy peculiar:

1. El Entrenamiento (La Clase de "Nada"):
   Imagina que le enseñas al detective a mirar solo fotos de la "niebla" (ruido) cuando no hay nadie en la habitación. Le dices: "Memoriza cómo se ve el silencio. Aprende cada mancha, cada grano de polvo y cada error de la cámara".

   • En términos técnicos: Entrenaron la IA solo con imágenes de "pedestal" (cuando el detector está apagado).

2. La Prueba (La Fiesta):
   Luego, le mostraron fotos reales donde podrían haber partículas.

   • Lo normal: Si la IA ve más "niebla", la reconstruye perfectamente porque ya la conoce de memoria.
   • Lo raro: Si aparece un "rastro" de una partícula, la IA se confunde. Dice: "¡Esto no es mi ruido! No sé cómo dibujar esto".
   • El resultado: La IA intenta copiar la foto, pero falla estrepitosamente justo donde está la partícula. Esa "falla" o "error" es lo que los científicos usan para encontrar la partícula.

🚀 El Truco Maestro: El "Entrenamiento Refinado"

Aquí es donde el artículo se vuelve genial. Al principio, la IA era un poco "demasiado buena". Si veía una mancha extraña, intentaba adivinar cómo era y la dibujaba un poco, borrando la señal.

Para arreglarlo, los científicos hicieron un truco de magia durante el entrenamiento:

• El Truco: Mientras enseñaban a la IA el "ruido", le inyectaban manchas falsas y extrañas (como garabatos o bolas de luz imaginarias) en las fotos.
• La Regla: Le decían: "Tienes que copiar la foto original (el ruido), pero ignora estas manchas falsas que acabo de poner. Si intentas copiarlas, te castigo".
• El Efecto: Esto obligó a la IA a volverse muy estricta. Aprendió a decir: "Si veo algo que no es el ruido de fondo, ¡no lo dibujo! ¡Lo dejo en blanco!".

Esto hizo que cuando aparecía una partícula real, la IA la señalara con un error gigante y claro, sin intentar "suavizarla" o borrarla.

📊 Los Resultados: ¡Milagrosos!

Al probar este sistema en datos reales del experimento CYGNO, los resultados fueron espectaculares:

• Precisión: El sistema encontró y guardó el 93% de la energía de las partículas reales. No perdió la información importante.
• Ahorro de espacio: ¡Descartó el 97.8% de la imagen! Es como si tuvieras un libro de 1000 páginas y, en lugar de leerlo todo, solo guardaras 20 páginas donde está la historia.
• Velocidad: Todo esto ocurre en 25 milisegundos (un parpadeo es mucho más lento). Es lo suficientemente rápido para tomar la decisión mientras la cámara está tomando la foto.

💡 La Analogía Final

Imagina que tienes una habitación llena de gente hablando (el ruido de fondo). De repente, alguien grita tu nombre (la partícula).

• El método antiguo: Grabarías todo el audio de la habitación durante horas y luego, con una computadora lenta, intentarías encontrar el momento exacto en que te llamaron.
• El método de este papel: Entrenaste a un guardaespaldas (la IA) para que conozca perfectamente el sonido de la gente hablando. Cuando alguien grita tu nombre, el guardaespaldas se tapa los oídos con la gente hablando y solo deja pasar el grito. Solo grabas el grito.

🏁 Conclusión

Este trabajo demuestra que no necesitas una inteligencia artificial súper compleja ni millones de datos etiquetados para encontrar cosas raras. Solo necesitas enseñarle a la máquina a conocer perfectamente el "aburrido" ruido de fondo y dejar que sus errores te digan dónde está la magia.

Es una herramienta perfecta para el futuro, cuando los detectores sean tan grandes que generarían terabytes de datos, permitiéndonos guardar solo lo que realmente importa.

Resumen técnico

Resumen Técnico: Reconstrucción Rápida basada en ROI mediante Detección de Anomalías en el TPC Óptico CYGNO

1. El Problema

Los Detectores de Proyección Temporal (TPC) con lectura óptica, como el experimento CYGNO, son herramientas prometedoras para la búsqueda de eventos raros (como la materia oscura) en el régimen de energía de O(1–100 keV). Sin embargo, enfrentan un desafío crítico de volumen de datos:

• Generan imágenes de megapíxeles (ej. 4096 × 2304 píxeles) a altas tasas de adquisición (~18 imágenes/segundo).
• La señal física real (trazas de retroceso nuclear) ocupa solo unos pocos milímetros cuadrados en cada marco, mientras que el resto es ruido de fondo o espacio vacío.
• Las cadenas de reconstrucción tradicionales son demasiado lentas (segundos por marco) para operar a nivel de disparo (trigger) en tiempo real, donde el presupuesto de latencia es de ~50 ms.
• Almacenar todos los datos crudos es inviable debido al ancho de banda y la capacidad de almacenamiento. Se necesita una estrategia de selección en línea que filtre los datos manteniendo la integridad física de la señal.

2. Metodología

El equipo propone una estrategia de detección de anomalías no supervisada basada en reconstrucción que opera directamente sobre los marcos de la cámara con procesamiento mínimo.

• Enfoque de Datos:

  • Entrenamiento: Utilizan exclusivamente marcos de pedestal (imágenes tomadas con el amplificador GEM apagado). Estos contienen solo el ruido intrínseco del detector (ruido de lectura sCMOS, patrones fijos, cuentas oscuras). Esto permite un entrenamiento totalmente no supervisado, sin necesidad de simulaciones, etiquetas o contaminación de señal.
  • Preprocesamiento: Los marcos se recortan a una región fiduciaria (1525×1525), se normalizan, se resta la media de los píxeles del pedestal y se escalan a 1024×1024 píxeles.

• Arquitectura del Modelo:

  • Se utiliza un Autoencoder Convolucional (AE) con topología tipo U-Net (codificador-decodificador con conexiones de salto).
  • La arquitectura es intencionalmente simple para garantizar eficiencia computacional, con una representación latente de 128 dimensiones.

• Innovación en el Objetivo de Entrenamiento (Contribución Clave):

  • Configuración Base: Entrenamiento con una pérdida híbrida (MSE + SSIM) para reconstruir el ruido.
  • Configuración Refinada (Propuesta): Para evitar que el autoencoder aprenda a reconstruir estructuras localizadas (lo que reduciría el contraste de la anomalía), inyectan perturbaciones sintéticas (manchas gaussianas y trazas curvas) en los datos de entrenamiento.
  • Mecanismo: El objetivo de reconstrucción sigue siendo la imagen de pedestal limpia original. Se introduce una máscara de ponderación espacial que penaliza fuertemente el error de reconstrucción en las regiones donde se inyectaron las perturbaciones sintéticas. Esto fuerza al modelo a aprender a suprimir estructuras localizadas en lugar de reproducirlas, maximizando así el residuo en las regiones anómalas.

• Extracción de ROI:

  • Se calcula el mapa de residuos ($|x - \hat{x}|$).
  • Se aplica un umbral global para aislar píxeles anómalos.
  • Se realiza una agregación espacial (operación morfológica de cierre) para conectar fragmentos cercanos y formar máscaras de Región de Interés (ROI) compactas.

3. Contribuciones Clave

1. Validación de la Importancia del Objetivo de Entrenamiento: Demuestran que la complejidad arquitectónica es menos crítica que el diseño del objetivo de entrenamiento. Un autoencoder entrenado "ingenuamente" no supera a un modelo gaussiano simple; es necesario el entrenamiento refinado con perturbaciones sintéticas para lograr una localización efectiva.
2. Enfoque Agnóstico al Detector: Al entrenar solo con datos de pedestal reales, el método no requiere simulaciones complejas ni calibraciones detalladas de la señal, haciéndolo aplicable a cualquier TPC óptico con datos de pedestal disponibles.
3. Eficiencia Computacional: Logran una inferencia en tiempo real (~25 ms por marco en una GPU de consumo) compatible con los requisitos de latencia de los sistemas de adquisición de datos (DAQ).
4. Línea Base Transparente: Establecen un punto de referencia claro y reproducible para la reducción de datos en línea en experimentos de física de altas energías.

4. Resultados

Evaluado con datos reales del prototipo CYGNO en el LNGS (Gran Sasso):

• Retención de Señal: La configuración refinada retiene el (93.0 ± 0.2)% de la intensidad de señal reconstruida (basada en la reconstrucción offline de referencia).
• Reducción de Datos: Descarta el (97.8 ± 0.1)% del área de la imagen, reduciendo el volumen de datos en casi dos órdenes de magnitud.
• Latencia: Tiempo de inferencia de ~25 ms por imagen (1024×1024) en un Apple M1 Pro, muy por debajo del límite de 50 ms requerido.
• Rendimiento por Energía: El método mantiene una alta cobertura de señal en todo el rango de energía (desde O(keV) hasta cientos de keV). Los pocos casos de baja cobertura corresponden a eventos con estructuras de señal no visibles (artefactos de reconstrucción offline), lo cual es aceptable para un sistema de disparo.
• Comparativa: El autoencoder refinado supera consistentemente tanto a un modelo gaussiano pixel a pixel como a un autoencoder con entrenamiento base, especialmente en el equilibrio entre retención de señal y compresión de datos.

5. Significado e Impacto

Este trabajo demuestra que la detección de anomalías basada en reconstrucción es una solución práctica y viable para la reducción de datos en TPCs ópticos de próxima generación.

• Escalabilidad: Es fundamental para futuros detectores como CYGNO-04, que generarán flujos de datos de cientos de MB/s. Sin esta filtrado en línea, el almacenamiento y procesamiento serían insostenibles.
• Interpretabilidad: Los mapas de residuos ofrecen una visualización transparente de las discrepancias entre el ruido aprendido y la señal, facilitando la depuración y el diagnóstico.
• Futuro: Abre la puerta a pipelines de datos asistidos por aprendizaje automático que operan en tiempo real, permitiendo que los experimentos de física de partículas escalen en tamaño y tasa de adquisición sin comprometer la capacidad de análisis.

En conclusión, el estudio establece que un autoencoder entrenado exclusivamente con datos de pedestal, pero con un objetivo de entrenamiento cuidadosamente diseñado para suprimir la reconstrucción de estructuras localizadas, proporciona una base robusta, interpretable y eficiente para la selección de eventos en tiempo real.