Pulse-shape discrimination with machine learning for CZT detectors at the DANE beam test facility
Cette étude démontre qu'une méthode de discrimination de forme d'impulsion basée sur l'apprentissage automatique utilisant un classificateur XGBoost peut distinguer efficacement les signaux de photons nominaux des événements anormaux dans les détecteurs CZT sous des conditions de flux élevé à l'installation DANE, améliorant significativement les performances de spectroscopie avec une grande précision et un minimum de données d'entraînement.
Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Dans le monde de la physique nucléaire et des particules, les scientifiques doivent souvent écouter l'univers en détectant de minuscules éclats de lumière ou d'énergie libérés lorsque des atomes interagissent. Pour ce faire, ils utilisent des détecteurs qui agissent comme des oreilles hautement sensibles, capturant les signaux des rayons X et des rayons gamma. Pendant des décennies, un type spécifique de détecteur fabriqué à partir d'un cristal appelé tellurure de cadmium-zinc a été prisé car il peut fonctionner à température ambiante sans nécessiter de systèmes de refroidissement encombrants et coûteux. Ces détecteurs sont excellents pour mesurer l'énergie des particules entrantes, ce qui permet aux chercheurs d'identifier exactement quel type d'atomes est présent. Cependant, ces détecteurs sont confrontés à un défi de taille lorsqu'ils sont placés à proximité d'accélérateurs de particules puissants. L'environnement intense crée un bruit de fond chaotique et des signaux parasites qui peuvent étouffer les messages ténus et importants que les scientifiques tentent d'entendre. Les signaux provenant d'événements indésirables ressemblent souvent beaucoup à ceux réels, ce qui les rend difficiles à distinguer par les méthodes standards.
Une équipe de chercheurs a récemment abordé ce problème en apprenant à un ordinateur à écouter plus attentivement la forme des signaux, plutôt que seulement leur intensité. Ils ont mis en place un test dans une installation en Italie où un faisceau d'électrons était projeté sur une cible de plomb. Cette collision a produit un mélange de rayons X utiles provenant des atomes de plomb et un arrière-plan désordonné d'autres particules et de sursauts d'énergie. Les chercheurs ont enregistré les ondes électriques générées par un détecteur placé près de la cible. Ils ont remarqué que les ondes provenant des rayons X souhaités avaient une forme lisse et prévisible, montant régulièrement vers un pic puis se stabilisant. En revanche, les ondes provenant du bruit de fond étaient dentelées, irrégulières ou contenaient plusieurs bosses, souvent causées par des particules frappant le détecteur au même moment ou par des dysfonctionnements électroniques.
Pour séparer les bons signaux des mauvais, l'équipe a utilisé un outil d'apprentissage automatique appelé XGBoost, qui est un type d'algorithme conçu pour trouver des motifs dans des données complexes. Ils ont d'abord montré à l'ordinateur des milliers d'exemples de ces ondes, en les étiquetant manuellement comme soit « normales » (les bons rayons X), soit « anormales » (le bruit). L'ordinateur a appris à chercher des détails spécifiques dans la forme de l'onde, tels que la rapidité de sa montée, le nombre de bosses qu'elle possédait et la façon dont l'énergie se répartissait dans le temps. Après un entraînement sur seulement quelques centaines d'exemples, l'ordinateur est devenu très performant pour cette tâche, atteignant finalement une précision de près de 97 pour cent lors de tests sur de nouvelles données. Il a appris à ignorer les ondes désordonnées à bosses multiples tout en conservant les ondes propres à bosse unique qui contiennent l'information scientifique.
Lorsque les chercheurs ont appliqué ce modèle informatique entraîné à un ensemble massif de données de plus de 700 000 événements enregistrés, les résultats ont été frappants. Le modèle a réussi à filtrer près de la moitié des données totales, éliminant la grande majorité du bruit de fond. Ce qui restait offrait une image beaucoup plus nette du spectre d'énergie. Les raies caractéristiques des rayons X du plomb, qui sont l'objectif principal de l'expérience, sont restées brillantes et claires. Même le signal distinct de l'annihilation électron-positon, un événement spécifique se produisant à un niveau d'énergie plus élevé, est devenu beaucoup plus facile à voir face au bruit de fond réduit. Les doubles et triples pics causés par des particules frappant le détecteur simultanément ont été presque entièrement supprimés, prouvant que l'ordinateur avait appris à reconnaître les signatures complexes de ces événements indésirables.
Ce travail démontre que l'apprentissage automatique peut agir comme un filtre puissant pour les détecteurs opérant dans les environnements hostiles des accélérateurs de particules. En se concentant sur la forme détaillée des signaux électriques, les scientifiques peuvent désormais récupérer des données claires lors d'expériences qui seraient autrement obscurcies par le bruit. L'étude suggère qu'avec seulement une petite quantité de guidage humain initial, ces modèles informatiques peuvent être entraînés pour améliorer significativement la qualité de la spectroscopie. Bien que les chercheurs notent que des tests supplémentaires sont nécessaires pour s'assurer que la méthode fonctionne dans différentes conditions et configurations de détecteurs, les résultats constituent une solide preuve de concept. Ils montrent que l'avenir des mesures de haute précision dans les environnements encombrés d'accélérateurs pourrait dépendre moins de la construction d'un meilleur matériel et davantage de l'enseignement à un logiciel pour comprendre le langage subtil des interactions de particules.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.