Pulse-shape discrimination with machine learning for CZT detectors at the DANE beam test facility
यह अध्ययन प्रदर्शित करता है कि एक XGBoost क्लासिफायर का उपयोग करने वाला मशीन लर्निंग-आधारित पल्स-शेप डिस्क्रिमिनेशन (pulse-shape discrimination) तरीका DANE सुविधा में उच्च-फ्लक्स स्थितियों के तहत CZT डिटेक्टरों में सामान्य फोटॉन संकेतों को विसंगतिपूर्ण घटनाओं से प्रभावी ढंग से अलग कर सकता है, जो उच्च सटीकता और न्यूनतम प्रशिक्षण डेटा के साथ स्पेक्ट्रोस्कोपी प्रदर्शन में महत्वपूर्ण सुधार करता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
परमाणु और कण भौतिकी की दुनिया में, वैज्ञानिकों को अक्सर ब्रह्मांड को सुनने के लिए उन सूक्ष्म प्रकाश या ऊर्जा की चमकों का पता लगाने की आवश्यकता होती है जो तब निकलती हैं जब परमाणु परस्पर क्रिया करते हैं। ऐसा करने के लिए, वे ऐसे डिटेक्टरों का उपयोग करते हैं जो अत्यधिक संवेदनशील कानों की तरह कार्य करते हैं, जो एक्स-रे और गामा किरणों से मिलने वाले संकेतों को पकड़ते हैं। दशकों से, कैडमियम जिंक टेल्यूराइडड नामक क्रिस्टल से बने एक विशिष्ट प्रकार के डिटेक्टर को इसलिए सराहा गया है क्योंकि यह बिना किसी भारी, महंगे कूलिंग सिस्टम की आवश्यकता के कमरे के तापमान पर काम कर सकता है। ये डिटेक्टर आने वाले कणों की ऊर्जा को मापने में उत्कृष्ट हैं, जो शोधकर्ताओं को यह पहचानने की अनुमति देता है कि किस प्रकार के परमाणु मौजूद हैं। हालांकि, इन डिटेक्टरों को शक्तिशाली कण त्वरकों (पार्टिकल एक्सेलरेटर) के पास रखने पर उन्हें एक बड़ी चुनौती का सामना करना पड़ता है। तीव्र वातावरण शोर और गलत संकेतों का एक अराजक बैकग्राउंड बनाता है जो उन सूक्ष्म, महत्वपूर्ण संदेशों को दबा सकता है जिन्हें वैज्ञानिक सुनने की कोशिश कर रहे हैं। अनचाही घटनाओं से प्राप्त संकेत अक्सर वास्तविक संकेतों के बहुत समान दिखते हैं, जिससे मानक तरीकों का उपयोग करके उन्हें अलग करना कठिन हो जाता है।
शोधकर्ताओं की एक टीम ने हाल ही में एक कंप्यूटर को संकेतों की केवल उनकी तीव्रता (loudness) के बजाय उनके आकार (shape) को अधिक ध्यान से सुनना सिखाकर इस समस्या का समाधान किया। उन्होंने इटली के एक सुविधा में एक परीक्षण आयोजित किया जहाँ लेड (सीसा) के लक्ष्य पर इलेक्ट्रॉनों की एक बीम छोड़ी गई थी। इस टक्कर ने लेड परमाणुओं से उपयोगी एक्स-रे और अन्य कणों एवं ऊर्जा विस्फोटों के एक अस्त-व्यस्त बैकग्राउंड का मिश्रण उत्पन्न किया। शोधकर्ताओं ने लक्ष्य के पास रखे गए एक डिटेक्टर द्वारा उत्पन्न विद्युत तरंगों को रिकॉर्ड किया। उन्होंने देखा कि वांछित एक्स-रे से आने वाली तरंगें सुचारू, अनुमानित आकार वाली थीं, जो लगातार एक शिखर तक बढ़ती थीं और फिर स्थिर हो जाती थीं। इसके विपरीत, बैकग्राउंड शोर से आने वाली तरंगें ऊबड़-खाबड़, अनियमित या कई उभारों (bumps) वाली थीं, जो अक्सर एक ही समय में डिटेक्टर से टकराने वाले कणों या इलेक्ट्रॉनिक गड़बड़ियों के कारण होती थीं।
अच्छे संकेतों को बुरे से अलग करने के लिए, टीम ने XGBoost नामक एक मशीन लर्निंग टूल का उपयोग किया, जो जटिल डेटा में पैटर्न खोजने के लिए डिज़ाइन किया गया एक प्रकार का एल्गोरिदम है। उन्होंने पहले कंप्यूटर को हजारों तरंगों के उदाहरण दिखाए, जिन्हें मैन्युअल रूप से "सामान्य" (अच्छे एक्स-रे) या "असामान्य" (शोर) के रूप में लेबल किया गया था। कंप्यूटर ने तरंग के आकार के विशिष्ट विवरणों को देखना सीखा, जैसे कि वह कितनी तेजी से बढ़ी, उसमें कितने उभार थे, और समय के साथ ऊर्जा कितनी फैली हुई थी। केवल कुछ सौ उदाहरणों पर प्रशिक्षण के बाद, कंप्यूटर इस कार्य में बहुत कुशल हो गया, और अंततः नए डेटा पर परीक्षण करते समय लगभग 97 प्रतिशत की सटीकता तक पहुँच गया। इसने शोर वाले बहु-उभार (multi-bump) वाले तरंगों को अनदेखा करना और साफ, एकल-उभार वाले तरंगों को बनाए रखना सीख लिया जिनमें वैज्ञानिक जानकारी निहित थी।
जब शोधकर्ताओं ने इस प्रशिक्षित कंप्यूटर मॉडल को 7,00,000 से अधिक रिकॉर्ड की गई घटनाओं के विशाल डेटासेट पर लागू किया, तो परिणाम आश्चर्यजनक थे। मॉडल ने कुल डेटा के लगभग आधे हिस्से को सफलतापूर्वक फ़िल्टर कर दिया, जिससे बैकग्राउंड शोर का अधिकांश भाग हट गया। जो बचा वह ऊर्जा स्पेक्ट्रम की एक बहुत ही स्पष्ट तस्वीर थी। लेड एक्स-रे की विशिष्ट रेखाएं, जो प्रयोग का प्राथमिक लक्ष्य थीं, उज्ज्वल और स्पष्ट बनी रहीं। यहाँ तक कि इलेक्ट्रॉन-पॉज़िट्रॉन विलोपन (annihilation), जो एक उच्च ऊर्जा स्तर पर होने वाली एक विशिष्ट घटना है, का स्पष्ट संकेत भी कम हुए बैकग्राउंड के बीच बहुत आसान से दिखाई देने लगा। एक ही समय में डिटेक्टर से टकराने वाले कणों के कारण उत्पन्न होने वाले दोहरे और तिहरे शिखर लगभग पूरी तरह से हटा दिए गए, जिससे सिद्ध हुआ कि कंप्यूटर ने इन अनचाही घटनाओं के जटिल हस्ताक्षरों को पहचान लिया था।
यह कार्य प्रदर्शित करता है कि मशीन लर्निंग कण त्वरकों के कठोर वातावरण में काम करने वाले डिटेक्टरों के लिए एक शक्तिशाली फिल्टर के रूप में कार्य कर सकती है। विद्युत संकेतों के विस्तृत आकार पर ध्यान केंद्रित करके, वैज्ञानिक अब उन प्रयोगों से स्पष्ट डेटा प्राप्त कर सकते हैं जो अन्यथा शोर से बाधित हो जाते। अध्ययन बताता है कि केवल थोड़े से प्रारंभिक मानवीय मार्गदर्शन के साथ, इन कंप्यूटर मॉडलों को स्पेक्ट्रोस्कोपी की गुणवत्ता में सुधार करने के लिए प्रशिक्षित किया जा सकता है। जबकि शोधकर्ता नोट करते हैं कि यह सुनिश्चित करने के लिए कि यह विधि विभिन्न स्थितियों और डिटेक्टर सेटअप में काम करती है, आगे के परीक्षण की आवश्यकता है, परिणाम एक मजबूत 'प्रूफ ऑफ कॉन्सेप्ट' प्रदान करते हैं। वे दिखाते हैं कि भीड़भाड़ वाले त्वरक वातावरण में उच्च-सटीक माप का भविष्य कम बेहतर हार्डवेयर बनाने पर नहीं, बल्कि सॉफ्टवेयर को कणों की परस्पर क्रिया की सूक्ष्म भाषा समझने के लिए सिखाने पर निर्भर हो सकता है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।