⚛️ high-energy experiments

Neural network-based timewalk correction for the Timepix4 ASIC

Cet article présente un réseau de neurones à propagation avant compact pour la correction du timewalk dans les détecteurs à pixels hybrides Timepix4 qui surpasse les ajustements heuristiques traditionnels en atteignant des résolutions temporelles comparables avec seulement 20 % des données de calibration tout en éliminant le besoin d'ansatzes fonctionnels explicites ou de schémas de mise en bacs.

Auteurs originaux : David Bacher, Kazu Akiba, Martin van Beuzekom, Victor Coco, Raphael Dumps, Tim Evans, Kevin Heijhoff, Malcolm John, Edgar Lemos Cid, Tommaso Pajero

Publié 2026-10-08

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : David Bacher, Kazu Akiba, Martin van Beuzekom, Victor Coco, Raphael Dumps, Tim Evans, Kevin Heijhoff, Malcolm John, Edgar Lemos Cid, Tommaso Pajero

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 des hautes énergies, les scientifiques construisent des machines massives pour fracasser des atomes et étudier les débris qui en résultent. Pour donner un sens aux milliards de collisions se produisant chaque seconde, ils s'appuient sur des détecteurs qui agissent comme des caméras ultra-rapides, prenant des clichés de particules chargées lorsqu'elles passent à toute allure. Pendant des décennies, ces camères ont été excellentes pour enregistrer l'endroit par lequel une particule est passée, mais elles ont eu du mal à enregistrer exactement quand. Ajouter une précision temporelle à ces détecteurs est la prochaine grande frontière, permettant aux chercheurs de trier le chaos des collisions superposées et de voir la véritable séquence des événements. Cependant, obtenir un horodatage parfait est difficile car l'électronique qui lit le signal n'est pas parfaitement uniforme. Lorsqu'une particule frappe un capteur, elle crée une charge électrique. Plus la charge est grande, plus l'électronique enregistre l'impact rapidement. Cela signifie qu'un signal fort arrive légèrement plus tôt qu'un signal faible, même si les particules frappent au moment exact. Ce délai, appelé « timewalk » (dérive temporelle), est une nuisance qui doit être corrigée pour atteindre la précision nécessaire aux futures expériences.

Pour corriger cela, des chercheurs de l'Université d'Oxford, du Nikhef et du CERN ont développé une nouvelle façon de calibrer ces détecteurs en utilisant l'intelligence artificielle. Ils ont testé leur méthode sur une puce spécifique appelée Timepix4, une grille minuscule de capteurs conçue pour suivre les particules avec une vitesse incroyable. L'équipe a comparé leur nouvelle approche à la méthode standard utilisée dans le domaine. La manière traditionnelle de corriger le délai temporel consiste à créer une carte complexe. Les scientifiques prennent une énorme quantité de données, divisent la surface du capteur en de minuscules carrés et ajustent une courbe mathématique spécifique à chaque carré. Cela fonctionne bien s'il y a beaucoup de données, mais cela devient un processus lent et fragile si les données sont éparses ou inégalement réparties. Si un carré de la carte ne possède pas assez d'impacts, la correction échoue, laissant des lacunes dans les données.

Les chercheurs ont proposé de remplacer ce système rigide basé sur des cartes par un réseau de neurones compact, un type de programme informatique conçu pour apprendre des modèles à partir de données. Au lieu de forcer les données dans des boîtes prédéfinies et d'ajuster des courbes, le réseau de neurones examine l'information brute — la taille de la charge électrique et l'endroit exact où la particule a frappé le capteur — et apprend la relation directement. C'est comme enseigner à un étudiant à reconnaître un visage en lui montrant des milliers d'exemples, plutôt que de lui donner une liste de caractéristiques à mesurer. L'équipe a entraîné ce réseau à l'aide de données collectées à partir d'un faisceau de particules de l'accélérateur SPS du CERN en 2025. Ils ont testé le système sur des capteurs de deux épaisseurs différentes, l'un mesurant 100 micromètres et l'autre 300 micromètres, pour voir comment le réseau pouvait s'adapter à différentes conditions physiques.

Les résultats ont montré que le réseau de neurones était non seulement précis, mais aussi bien plus efficace que la méthode traditionnelle. Lorsque les chercheurs disposaient d'une grande quantité de données de calibration, les deux méthodes performaient de manière égale, atteignant une précision temporelle de 180 picosecondes pour les capteurs les plus fins et de 300 picosecondes pour les plus épais. Une picoseconde est un millième de milliardième de seconde, une échelle de temps si rapide que la lumière ne parcourt qu'une fraction de millimètre durant cette durée. Cependant, le véritable avantage du réseau de neurones est apparu lorsque la quantité de données disponibles était limitée. Dans le monde réel, la collecte de quantités massives de données de calibration peut être difficile si le faisceau de particules est faible ou étroit. La méthode traditionnelle peinait dans ces conditions, nécessitant des centaines d'impacts par pixel de capteur pour produire une correction fiable. En revanche, le réseau de neurones a atteint le même niveau de précision avec seulement environ 20 % des données.

De plus, le réseau de neurones n'a jamais échoué à fournir une réponse. La méthode traditionnelle, qui repose sur le remplissage de compartiments spécifiques de données, cessait simplement de fonctionner si une zone particulière du capteur ne recevait pas assez d'impacts, laissant ces mesures non corrigées. Le réseau de neurones, ayant appris un modèle continu, pouvait fournir une correction pour chaque impact, peu importe la rareté des données. Cela signifie que pour les expériences où les données sont rares, la nouvelle méthode peut atteindre la même performance cinq fois plus vite que l'ancienne. L'étude confirme que l'apprentissage automatique peut remplacer les procédures de calibration manuelles complexes par un système plus robuste et flexible, ouvrant la voie à une chronologie plus précise pour la prochaine génération de détecteurs de particules sans nécessiter de campagnes massives de collecte de données.

Résumé technique : Correction du timewalk par réseau de neurones pour l'ASIC Timepix4

Énoncé du problème
Les détecteurs à pixels hybrides sont essentiels pour le suivi des particules chargées dans les environnements de collision à haute luminosité, où l'ajout d'une précision temporelle de l'ordre de la picoseconde est crucial pour le suivi quadridimensionnel. Pour atteindre cette performance, il est nécessaire de corriger le « timewalk », un biais dépendant de la charge dans la mesure du temps d'arrivée (ToA) causé par des discriminateurs à seuil fixe. De plus, les champs de pondération non uniformes dans les capteurs introduisent une dépendance vis-à-vis de la position d'impact intra-pixel.

La solution conventionnelle consiste en des ajustements heuristiques (fits) effectués indépendamment dans des bacs (bins) de variables d'entrée (charge et position). Cette approche présente des limitations significatives :

Elle nécessite un ansatz fonctionnel explicite et un schéma de segmentation (binning) spécifique.
Elle exige des données de calibration densément peuplées ; à mesure que le nombre de variables d'entrée augmente, le volume de données requis croît rapidement.
Elle échoue ou produit des résultats médiocres dans les régions où les données sont éparses, entraînant des impacts non corrigés et une réduction de l'efficacité de suivi.

Méthodologie
Cet article propose de remplacer les ajustements heuristiques par bacs par un réseau de neurones (NN) de type feed-forward compact, capable d'apprendre directement la correction du timewalk à partir des données.

Entrées et architecture : Le réseau de neurones est un perceptron multicouche entièrement connecté (fully connected). Il prend en entrée la charge mesurée ( $q$ ) et la position d'impact intra-pixel reconstruite ( $x, y$ ). Ces entrées correspondent à celles utilisées par la méthode conventionnelle par ajustement afin de garantir une comparaison équitable. Le réseau produit une correction de temps prédite ( $\Delta t_{NN}$ ).
Entraînement : Le réseau est entraîné avec l'optimiseur Adam et une perte d'erreur quadratique moyenne (MSE). Les valeurs aberrantes (résidus de temps > 10 $\times$ la médiane de la déviation absolue) sont rejetées. L'étude explore diverses complexités de réseau (profondeur et largeur) pour trouver une architecture robuste.
Base de comparaison : Le NN est comparé à une correction standard par ajustement utilisant des données du télescope à faisceau Timepix4 au CERN SPS (2025). Le télescope utilisait des faisceaux de hadrons mixtes de 180 GeV/c et des capteurs de deux épaisseurs : 100 $\mu$ m (incidence perpendiculaire) et 300 $\mu$ m (inclinaison de 9°).
Métriques d'évaluation : La performance est mesurée par la résolution temporelle (RMS du 99ème percentile central des résidus de temps) et l'efficacité de correction (fraction des impacts avec une correction valide).

Résultats clés
L'étude a évalué les méthodes en faisant varier la taille des échantillons de calibration (de 1 à 5000 impacts par pixel) et la complexité des modèles.

Complexité du modèle : Un balayage de la largeur et de la profondeur du réseau a identifié une architecture à deux couches et seize neurones (2L16N) comme étant le compromis optimal. Les réseaux plus petits manquaient de capacité pour capturer la dépendance, tandis que les réseaux plus larges (ex: 3L64N) souffraient de surapprentissage (overfitting) et d'un entraînement instable lorsque les données étaient rares.
Efficacité des données : La correction basée sur le NN surpasse significativement la méthode par ajustement dans les régimes de données rares.
- Capteurs de 100 $\mu$ m : À 1 impact par pixel, le NN atteint une résolution temporelle d'environ 350 ps, contre environ 700 ps pour la méthode par ajustement. Le NN atteint sa résolution asymptotique (~180 ps) avec seulement ~100 impacts par pixel, alors que la méthode par ajustement en nécessite ~500.
- Capteurs de 300 $\mu$ m : De même, le NN atteint sa résolution asymptotique (~300 ps) avec ~100 impacts par pixel, tandis que la méthode par ajustement en nécessite ~500.
- Efficacité globale : Le NN nécessite seulement 20 % des données de calibration pour atteindre la même résolution temporelle asymptotique que la base de comparaison par ajustement pour les deux épaisseurs de capteurs.
Efficacité de correction : La méthode par ajustement souffre d'une faible efficacité à faible volume de données car les ajustements par bac échouent à converger dans les bacs peu peuplés (tombant à ~20 % d'efficacité pour les capteurs de 100 $\mu$ m à 1 impact/pixel). En revanche, le NN est défini partout et maintient une efficacité de correction de 100 %, quel que soit la taille de l'échantillon de calibration.
Dépendance intra-pixel : Pour les capteurs inclinés de 300 $\mu$ m, la dépendance du timewalk vis-à-vis de la position intra-pixel est complexe, impliquant différents scénarios de partage de charge. Le NN apprend avec succès ces corrélations multidimensionnelles sans segmentation explicite, là où la méthode par ajustement nécessite des stratégies de segmentation complexes pour capturer des effets similaires.

Signification et affirmations
L'article affirme que l'approche par réseau de neurones offre un avantage méthodologique en apprenant directement la dépendance multidimensionnelle du timewalk à partir des données, éliminant ainsi le besoin de formes fonctionnelles explicites ou de choix de segmentation arbitraires.

La principale signification est la réduction d'un facteur cinq du volume de données de calibration requis pour atteindre la performance temporelle asymptotique. Cela est particulièrement précieux dans les scénarios où l'acquisition de grands ensembles de données de calibration est difficile en raison de l'intensité limitée du faisceau ou de la taille du faisceau. Les auteurs soulignent que, bien que l'étude actuelle n'utilise que la charge et la position comme entrées pour correspondre à la base de comparaison, le cadre du NN permet l'inclusion simple d'observables supplémentaires (ex: angles de trajectoire, information du pixel voisin) comme entrées, sans l'explosion combinatoire des dimensions de segmentation requise par l'approche par ajustement. Des travaux futurs sont prévus pour étudier ces extensions.

Articles similaires