Fundamental Bounds and Efficient Estimation for Dead-Time-Constrained Event Detection, with Application to Single-Photon Lidar

तकनीकी सारांश: डेड-टाइम-प्रतिबंधित इवेंट डिटेक्शन के लिए मौलिक सीमाएँ और कुशल अनुमान

समस्या का निरूपण
यह शोधपत्र गैर-पैरालैज़ेबल (nonparalyzable) डेड टाइम और गेटिंग (gating) के अधीन आवधिक बाइनरी इवेंट-डिटेक्शन प्रक्रियाओं से भौतिक मापदंडों के अनुमान की सांख्यिकीय समस्या को संबोधित करता है। ऐसे सिस्टम में, एक डिटेक्शन इवेंट एक निश्चित रिकवरी अंतराल $t_d$ (डेड टाइम) के लिए डिटेक्टर को निष्क्रिय कर देता है, जिसके दौरान कोई अन्य इवेंट दर्ज नहीं किया जा सकता है। इसके अतिरिक्त, प्रयोगकर्ता गेटिंग का उपयोग कर सकते हैं, जो एक डिज़ाइन विकल्प है जहाँ डिटेक्टर को केवल विशिष्ट समय अंतराल (time bins) के दौरान सक्रिय किया जाता है ताकि सूचना एकत्र करने को अनुकूलित किया जा सके या पाइल-अप (pile-up) को कम किया जा सके।

यह सेटअप एक गैर-स्वतंत्र और समान रूप से वितरित (non-i.i.d.) स्टोकेस्टिक प्रक्रिया बनाता है। लेखक इस प्रकार की समस्याओं को डेड-टाइम इवेंट डिटेक्शन (DED) प्रक्रियाओं के रूप में औपचारिक रूप देते हैं। मुख्य चुनौती यह है कि डेड टाइम और गेटिंग, प्रेक्षित डिटेक्शन सांख्यिकी और अंतर्निहित भौतिक इवेंट दरों के बीच एक व्यवस्थित विसंगति उत्पन्न करते हैं, जिससे मानक i.i.d. एसिम्प्टोटिक सिद्धांतएं अनुपयुक्त हो जाती हैं। लक्ष्य अनुमान सटीकता के लिए मौलिक निचली सीमाओं (lower bounds) को निर्धारित करना और उन सीमाओं को प्राप्त करने वाले अनुमानकों (estimators) की पहचान करना है।

कार्यप्रणाली
लेखक $T \to \infty$ के रूप में अवलोकन अवधियों की संख्या के लिए DED प्रक्रियाओं के लिए एक एसिम्प्टोटिक सांख्यिकीय सिद्धांत विकसित करते हैं। कार्यप्रणाली निम्नलिखित चरणों के माध्यम से आगे बढ़ती है:

1. मॉडल परिभाषा: प्रक्रिया को आवधिक घटना संभाव्यता $p_t(\theta)$ (जहाँ $\theta$ रुचि का पैरामीटर है) और एक गेटिंग नियम द्वारा परिभाषित किया जाता है जो डिटेक्टर सक्रियता $G_t$ को निर्धारित करता है। प्रेक्षित परिणाम $Y_t = G_t Z_t$ है, जहाँ $Z_t$ एक लेटेंट बर्नौली इवेंट है। मॉडल कार्य-कारणता (causality) और डेड-टाइम बाधा को लागू करता है: समय $t$ पर एक डिटेक्शन होने पर $s \in \{t+1, \dots, t+D\}$ के लिए $G_s = 0$ अनिवार्य हो जाता है।
2. पर्याप्त सांख्यिकी (Sufficient Statistic) की पहचान: नेयमैन-फिशर गुणनखंड प्रमेय (Neyman–Fisher factorization theorem) का उपयोग करते हुए, लेखक इस प्रक्रिया के लिए लाइकलीहुड फंक्शन (likelihood function) व्युत्पन्न करते हैं। वे एक पर्याप्त सांख्यिकी की पहचान करते जिसमें फेज-वार कुल गणना शामिल है: प्रत्येक अवधि $K$ के भीतर प्रत्येक चरण $r$ के लिए सक्रिय बिनों की संख्या ($N_r$) और डिटेक्शन की संख्या ($S_r$)। यह परिणाम इंगित करता है कि हार्डवेयर हिस्टोग्रामिंग, जो आमतौर पर $N_r$ को छोड़ देती है (केवल $S_r$ को रखती है), सांख्यिकीय रूप से उपयोगी जानकारी खो सकती है, विशेष रूप से अनुकूली (adaptive) गेटिंग योजनाओं के लिए।
3. लोकल एसिम्प्टोटिक नॉर्मलिटी (LAN): डेटा की गैर-i.i.d. प्रकृति को संभालने के लिए, लेखक स्थापित करते हैं कि DED प्रक्रियाएं लोकल एसिम्प्टोटिक नॉर्मलिटी (LAN) गुण को संतुष्ट करती हैं। वे फिशर इंफॉर्मेशन रेट $I(\theta; \gamma)$ व्युत्पन्न करते हैं, जहाँ $\gamma$ सीमित गेटिंग आवृत्तियों का प्रतिनिधित्व करता है। यह दिखाया गया है कि सूचना दर प्रत्येक चरण के लिए मानक बर्नौली सूचना का एक भारित योग (weighted sum) है, जिसे इस बात से भारित किया जाता है कि उस चरण को कितनी बार सैंपल किया गया है।
4. निचली सीमाएँ (Lower Bounds): LAN ढांचे का उपयोग करते हुए, लेखक हाजेक कॉनवोल्यूशन प्रमेय (Hájek convolution theorem) और लोकल एसिम्प्टोटिक मिनिमैक्स प्रमेय को लागू करके किसी भी रेगुलर एस्टीमेटर के एसिम्प्टोटिक वेरिएंस के लिए मौलिक निचली सीमाओं को व्युत्पन्न करते हैं। ये सीमाएं फिशर इंफॉर्मेशन रेट के व्युत्क्रम, $I_0^{-1}$, द्वारा निर्धारित होती हैं।
5. अनुमानक निर्माण (Estimator Construction):
   • मैक्सिमम लाइकलीहुड एस्टीमेटर (MLE): लेखक सिद्ध करते हैं कि MLE, जो व्युत्पन्न लाइकलीहुड को अधिकतम करता है, एसिम्प्टोटिक रूप से कुशल (efficient) है और व्युत्पन्न निचली सीमाओं को प्राप्त करता है।
   • वन-स्टेप एस्टीमेटर्स: यह पहचानते हुए कि MLE की गणना के लिए अक्सर नॉन-कॉन्वेक्स ऑप्टिमाइज़ेशन समस्या को हल करने की आवश्यकता होती है, लेखक ले कैम वन-स्टेप एस्टीमेटर्स (Le Cam one-step estimators) प्रस्तावित करते हैं। ये एस्टीमेटर एक "पायलट" एस्टीमेटर से शुरू होते हैं (जिसे पूरी तरह से कुशल होने के बजाय केवल $\sqrt{T}$-कंसिस्टेंट होने की आवश्यकता है) और स्कोर फंक्शन तथा अनुमानित फिशर इंफॉर्मेशन का उपयोग करके एक एकल न्यूटन-राफसन सुधार चरण लागू करते हैं।

प्रमुख योगदान

• सैद्धांतिक ढांचा: यह शोधपत्र मनमाने गेटिंग और डेड टाइम के साथ आवधिक बाइनरी प्रक्रियाओं में पैरामीटर अनुमान के लिए पहला कठोर एसिम्प्टोटिक सिद्धांत प्रदान करता है। यह इस विशिष्ट गैर-i.i.d. सेटिंग के लिए LAN गुण और संगत फिशर इंफॉर्मेशन रेट को स्थापित करता है।
• मौलिक सीमाएँ: यह अनुमान सटीकता की मौलिक सीमाओं को मात्रात्मक रूप से निर्धारित करता है, यह प्रदर्शित करते हुए कि गेटिंग नियम केवल अपने सीमित सैंपलिंग फ्रीक्वेंसी के माध्यम से ही एसिम्प्टोटिक सूचना को प्रभावित करते हैं।
• पर्याप्त सांख्यिकी: यह पहचानता है कि सक्रिय डिटेक्टर बिनों की गणना ($N_r$) पर्याप्त सांख्यिकी का एक आवश्यक घटक है, जो हार्डवेयर हिस्टोग्रामिंग में इस डेटा को छोड़ने की सामान्य प्रथा को चुनौती देता है।
• कुशल अनुमानक: यह सामान्य गेटिंग नियमों के लिए MLE की एसिम्प्टोटिक दक्षता को सिद्ध करता है और वन-स्टेप एस्टीमेटर्स का एक वर्ग पेश करता है जो काफी कम कम्प्यूटेशनल लागत के साथ वही दक्षता प्राप्त करते हैं (इटरेटिव नॉन-कॉन्वेक्स ऑप्टिमाइज़ेशन से बचते हुए)।
• मजबूत पायलट डिज़ाइन: लेखक लिडार (lidar) अनुप्रयोगों के लिए विशिष्ट पायलट एस्टीमेटर पेश करते हैं, जिसमें एक रोबस्ट मैच-फिल्टर एस्टीमेटर शामिल है जो मॉडल मिसस्पेसिफिकेशन और इनिशियलाइजेशन संवेदनशीलता के खिलाफ स्थिरता प्रदान करने के लिए मीडियन-आधारित बैकग्राउंड सबट्रैक्शन और टेम्पलेट मैचिंग का उपयोग करता है।

परिणाम और सत्यापन
सैद्धांतिक परिणामों को सिंगल-फोटॉन लिडार के संदर्भ में सिमुलेशन और वास्तविक-डेटा प्रयोगों के माध्यम से सत्यापित किया गया है:

• एसिम्प्टोटिक दक्षता: सिमुलेशन पुष्टि करते हैं कि MLE और वन-स्टेप एस्टीमेटर दोनों अवलोकन समय बढ़ने के साथ व्युत्पन्न फिशर-इंफॉर्मेशन निचली सीमा की ओर अभिसरित (converge) होते हैं।
• डेड टाइम का प्रभाव: अध्ययन दर्शाता है कि डेड टाइम को अनदेखा करने से न्यूनतम प्राप्त होने वाली त्रुटि का काफी कम अनुमान (उच्च-फ्लक्स परिदृश्यों में लगभग 75% कम) लगाया जाता है।
• इनिशियलाइजेशन संवेदनशीलता: यह दिखाया गया है कि MLE इनिशियलाइजेशन के प्रति संवेदनशील है; खराब प्रारंभिक अनुमान, विशेष रूप से मध्यम सैंपल आकार पर, स्थानीय ऑप्टिमा (local optima) की ओर ले जा सकते हैं। वन-स्टेप एस्टीमेटर, एक मजबूत पायलट के साथ मिलकर, दक्षता बनाए रखते हुए इस समस्या से बचता है।
• मजबूती (Robustness): मॉडल मिसस्पेसिफिकेशन (जैसे, अनमॉडलड बैकग्राउंड बम्प्स) के तहत, मजबूत पायलट के साथ संयुक्त वन-स्टेप अपडेट, कम मजबूत तरीकों (जैसे फूरियर इन्वर्जन) के साथ इनिशियलाइज किए गए मानक MLE दृष्टिकोणों की तुलना में बेहतर प्रदर्शन करता है।
• वास्तविक-डेटा प्रदर्शन: वास्तविक सिंगल-फोटॉन लिडार डेटा के प्रयोगों से पुष्टि होती है कि एसिम्प्टोटिक सिद्धांत व्यावहारिक सैंपल आकार पर भी भविष्य कहने वाला (predictive) बना रहता है और वन-स्टेप एस्टीमेटर मौजूदा साहित्य के एस्टीमेटर्स में पूर्वाग्रहों (biases) को प्रभावी ढंग से ठीक करता है।

महत्व
यह शोधपत्र दावा करता है कि यह डेड-टाइम-प्रतिबंधित सिस्टमों के लिए सांख्यिकीय सिद्धांत में मौजूद अंतर को भरता है, जो लिडार, फ्लोरेसेंस लाइफटाइम इमेजिंग, एक्स-रे खगोल विज्ञान और परमाणु भौतिकी जैसे क्षेत्रों में प्रचलित हैं। एक कठोर ढांचे के माध्यम से मौलिक सीमाओं प्रदान करके, यह कार्य गेटिंग स्कीम्स और डेटा संपीड़न रणनीतियों (पर्याप्त सांख्यिकी की पहचान के माध्यम से) के सिद्धांतपूर्ण डिजाइन का मार्गदर्शन करता है। इसके अलावा, वन-स्टेप एस्टीमेटर्स का प्रस्ताव एक कुशल और मजबूत पैरामीटर अनुमान सक्षम करता है, जहाँ मॉडल मिसस्पेसिफिकेशन और इनिशियलाइजेशन संवेदनशीलता महत्वपूर्ण चिंताएं हैं। लेखक नोट करते हैं कि उनका सिद्धांत भविष्य के हार्डवेयर डिजाइन और बैंडविड्थ-सीमित सिस्टम में डेटा संपीड़न को सूचित कर सकता है।