Event-Level Voxel Reconstruction in Two-Photon Absorption Scans Using Pixel-Overlap Selection in Timepix3

Este trabajo presenta un marco de reconstrucción robusto para la voxelización a nivel de evento en escaneos de absorción de dos fotones utilizando el detector Timepix3, el cual permite la asignación estable de tiempos de voxel y la reconstrucción ciega de la estructura de permanencia en datos continuos no sincronizados mediante una definición de eventos basada en superposición de píxeles y un estimador de tiempo a nivel de agrupación, evitando así los sesgos espaciales sistemáticos introducidos por métodos alternativos.

Lo esencial

Imagina que tienes un sensor de silicio (como una cámara súper avanzada) y quieres ver cómo funciona su "interior" en 3D, píxel por píxel. Para hacerlo, los científicos usan un láser especial que actúa como una linterna mágica.

Aquí está la historia de lo que hace este papel, explicada como si fuera una aventura:

1. El Problema: La "Mancha" y el Reloj Desconectado

Imagina que disparas tu linterna láser contra el sensor. En lugar de iluminar un solo punto perfecto, la luz crea una pequeña mancha de carga que se expande y toca varios píxeles vecinos a la vez.

• El primer problema: Cuando la luz golpea, no sabes exactamente en qué píxel cayó primero, porque todos se encienden casi al mismo tiempo. Es como si varios amigos en una habitación gritaran "¡Estoy aquí!" al mismo tiempo; es difícil saber quién empezó a gritar primero.
• El segundo problema: El sensor no tiene un reloj sincronizado con el láser. Es como si el sensor estuviera grabando un video en bucle sin saber cuándo el fotógrafo apretó el botón de disparo. Solo tiene un flujo continuo de datos: "¡Algo pasó!", "¡Otra cosa pasó!", sin saber qué evento corresponde a qué momento exacto del escaneo.

2. La Solución: El Método de "Superposición de Píxeles"

Los autores (Tianqi Gao y su equipo) crearon un nuevo sistema para ordenar este caos. Usan dos trucos inteligentes:

Truco A: El "Círculo de Interés" (La Zona de Caza)

En lugar de intentar adivinar dónde cayó la luz, dibujan un cuadrado imaginario (llamado ROI) en el sensor donde saben que el láser debería estar apuntando.

• La regla antigua (y mala): Decían: "Solo aceptamos el evento si el centro exacto de la mancha de luz está dentro del cuadrado". Esto era malo porque si la mancha estaba un poco torcida, el sistema la ignoraba o la colocaba en el lugar equivocado.
• La regla nueva (la buena): Dicen: "Si cualquier parte de la mancha de luz toca nuestro cuadrado, ¡aceptamos todo el evento!". Es como decir: "Si ves una parte de un elefante en tu jardín, asume que hay un elefante entero ahí, no ignores el resto". Esto evita perder datos importantes.

Truco B: El "Jefe de la Manada" (El Píxel con más Carga)

Ahora que tienen el evento, necesitan saber cuándo ocurrió. Como todos los píxeles gritan a la vez, ¿cuál es el reloj correcto?

• El error común: Usar el píxel que gritó primero (el más rápido). Pero a menudo, ese píxel es el que está en el borde de la mancha y es muy sensible al ruido, como un niño que grita "¡Ya empezó!" antes de tiempo por miedo. Esto desvía la posición real.
• La solución inteligente: Eligen al píxel que recibió más carga (el que "gritó" más fuerte o tuvo el valor más alto). Piensan: "El píxel que recibió la mayor cantidad de energía es probablemente el que está más cerca del centro del láser". Es como elegir al líder del grupo por quien tiene la voz más fuerte y clara, no por quien habló primero.

3. Reconstruyendo el Mapa (El "Blind Scan")

Como no tienen un reloj externo, el sistema agrupa los eventos basándose en el tiempo entre ellos.

• Imagina que el láser se mueve por el sensor y se detiene un momento en cada punto (como un caracol caminando).
• El sistema mira los datos: "Vale, hubo un montón de eventos muy juntos en el tiempo, luego un silencio, luego otro montón".
• Deduce: "¡Ese silencio significa que el láser se movió a la siguiente casilla!". Así, reconstruyen el mapa de dónde estaba el láser en cada momento, sin necesidad de que nadie les diga "¡Ahora!".

4. ¿Por qué es importante?

Este método es como tener unas gafas de visión nocturna para los detectores de partículas.

• Antes, si querías ver cómo se mueven las cargas eléctricas dentro de un sensor (para hacer mejores detectores para el CERN o telescopios), tenías que tener un sistema perfecto y sincronizado.
• Ahora, con este método, puedes tomar datos "a ciegas" (sin sincronización) y reconstruir un mapa 3D perfecto de cómo funciona el interior del sensor.

En resumen:
El papel nos dice: "No te preocupes si la luz se desborda por varios píxeles o si no tienes un reloj sincronizado. Solo mira qué píxeles tocan tu zona de interés, elige al que recibió más energía para saber la hora, y agrupa los eventos por sus pausas naturales. ¡Y tendrás un mapa 3D perfecto!".

Es una forma muy elegante de convertir el ruido y el desorden en una imagen clara y precisa.

Resumen técnico

Título: Reconstrucción de Vóxeles a Nivel de Evento en Escaneos de Absorción de Dos Fotones Utilizando Selección de Superposición de Píxeles en Timepix3

1. Planteamiento del Problema

La caracterización tridimensional de detectores de silicio mediante la técnica de Absorción de Dos Fotones (TPA) es fundamental para estudiar el transporte de carga y la distribución del campo eléctrico a escala micrométrica. Sin embargo, la aplicación de TPA en detectores segmentados (p. ej., con lectura de píxeles como Timepix3) presenta dos desafíos críticos que complican la interpretación de los datos:

• Formación de Cúmulos (Clusters): Una sola excitación láser genera portadores de carga que se difunden, activando múltiples píxeles simultáneamente dentro de la resolución temporal intrínseca del detector. Esto impide asociar la fuente espacial directamente con un único píxel.
• Falta de Sincronización: En sistemas de lectura asíncronos o sin disparo externo (triggerless), los datos del detector no están sincronizados con los pulsos láser. Esto dificulta la reconstrucción de la estructura temporal del escaneo (asignación de intervalos de permanencia o dwell) y la temporización de los eventos sin una referencia externa.

Los métodos existentes, como la selección basada en el centroide del cúmulo o el uso del tiempo de llegada (ToA) más temprano, introducen sesgos espaciales sistemáticos, especialmente cuando la excitación no está centrada en el píxel o cuando el reparto de carga es asimétrico.

2. Metodología Propuesta

El trabajo presenta un marco de reconstrucción diseñado para operar sobre datos continuos y no sincronizados. La metodología se basa en dos pilares fundamentales:

• Definición de Eventos por Superposición de Píxeles (Pixel-Overlap):

  • Se define una Región de Interés (ROI) en coordenadas de píxeles.
  • Un evento de TPA se clasifica como válido si al menos uno de sus píxeles constituyentes cae dentro de la ROI.
  • Esto contrasta con los métodos de centroide, que descartan eventos válidos si el centroide del cúmulo cae fuera de la ROI, evitando así la pérdida de datos y los sesgos espaciales asociados a la asimetría.

• Estimador de Temporización a Nivel de Cúmulo:

  • Dado que todos los píxeles del cúmulo se registran dentro de la resolución temporal del detector, el uso del ToA más temprano es ambiguo y sensible al ruido y a efectos de borde.
  • Se propone asignar el tiempo del evento ($t_{event}$) basándose en el píxel con el mayor Tiempo Sobre Umbral (ToT) dentro de la ROI.
  • Justificación física: El píxel que recibe la mayor deposición de carga es el más probable que esté más cerca del punto de generación de la excitación, proporcionando un estimador de temporización estable y físicamente motivado.

• Reconstrucción de la Estructura Temporal (Dwell):

  • La estructura temporal del escaneo se reconstruye directamente del flujo de datos agrupando eventos consecutivos si su separación temporal es menor que un umbral definido ($\Delta t_{gap}$). Esto permite identificar los intervalos de permanencia (dwell intervals) y la asignación de vóxeles sin necesidad de disparos externos.

3. Contribuciones Clave

• Marco de Reconstrucción "A Ciegas" (Blind Reconstruction): Capacidad de reconstruir la estructura de escaneo y asignar tiempos de vóxeles en sistemas de lectura continua sin sincronización externa.
• Eliminación de Sesgos Sistemáticos: Demostración de que la selección por superposición de píxeles y el uso del ToT máximo eliminan los sesgos espaciales inherentes a los métodos de centroide o de "primer impacto" (earliest-hit).
• Definición de la Región TPA (TPAR): Propuesta de un método basado en datos para definir la región real de generación de carga dentro de la ROI, utilizando mapas de ocupación y distribución de ToT máximo para delimitar el volumen de excitación físico.
• Generalidad: El método es aplicable a cualquier detector segmentado donde las excitaciones localizadas produzcan cúmulos espaciales extendidos, siendo especialmente útil para detectores de píxeles modernos en entornos de alta tasa.

4. Resultados y Validación

• Comparación de Estimadores: La validación comparó el estimador de "ToT máximo" frente al de "ToA más temprano".
  • El estimador de ToA más temprano mostró una distribución espacial desplazada sistemáticamente hacia la periferia del cúmulo, debido a la propagación de carga a píxeles periféricos y la sensibilidad a fluctuaciones de umbral bajo.
  • El estimador de ToT máximo mostró una localización espacial consistente con el centro de la deposición de carga, proporcionando una referencia temporal estable.
• Medición de Separación Espacial: Se cuantificó la distancia ($\Delta r$) entre los píxeles seleccionados por ambos métodos, revelando una distribución amplia que confirma que los métodos tradicionales seleccionan frecuentemente píxeles incorrectos dentro del mismo cúmulo.
• Reconstrucción de Vóxeles: El enfoque permitió la construcción exitosa de observables temporales resueltos por vóxeles en todo el volumen del sensor, mapeando correctamente la profundidad ($z$) basada en la posición de escaneo.

5. Significado e Impacto

Este trabajo establece una metodología robusta y general para el análisis de datos de TPA en detectores de silicio segmentados. Al resolver los problemas de la formación de cúmulos y la falta de sincronización, permite:

• Realizar estudios precisos de la distribución del campo eléctrico y las propiedades de transporte de carga en sensores de silicio.
• Utilizar detectores en modos de operación sin disparo (triggerless), lo cual es crucial para sistemas de alta tasa de conteo en física de altas energías.
• Proporcionar una base fiable para futuras investigaciones que requieran caracterización tridimensional de alta resolución en dispositivos semiconductores, superando las limitaciones de las técnicas de selección de eventos convencionales.