Fast reconstruction-based ROI triggering via anomaly detection in the CYGNO optical TPC

Questo studio presenta una strategia di rilevamento delle anomalie basata su autoencoder convoluzionali addestrati su immagini di pedestal per l'estrazione rapida e non supervisionata di regioni di interesse dai dati del prototipo TPC ottico CYGNO, ottenendo un'efficienza di segnale superiore al 93% con una riduzione dell'area dell'immagine del 97,8% e un tempo di inferenza di 25 ms.

L'essenziale

🕵️‍♂️ Il Problema: Troppi Rumori, Troppo Poco Segnale

Immagina di avere una telecamera super potente, capace di scattare foto giganti (milioni di pixel) di un laboratorio. Il suo compito è catturare un evento rarissimo: un "fantasma" (una particella di materia oscura) che attraversa il laboratorio.

Il problema è che il laboratorio è pieno di "rumore": la telecamera ha un leggero tremolio, i sensori hanno dei difetti, la luce ambientale crea sfarfallii. In termini tecnici, il 99,9% di ogni foto è solo "spazzatura" (rumore elettronico), e solo una minuscola parte contiene il vero segnale.

Se salvassimo tutte le foto intere, ogni secondo, riempiremmo i dischi rigidi dei computer in pochi minuti. Sarebbe come cercare di trovare un ago in un pagliaio, ma il pagliaio è così grande che non riesci nemmeno a spostarlo. Serve un modo per scartare subito il pagliaio e tenere solo l'ago.

🤖 La Soluzione: L'Assistente che Impara a "Non Vedere"

Gli scienziati del progetto CYGNO (un esperimento italiano per la ricerca di materia oscura) hanno usato l'Intelligenza Artificiale per risolvere questo problema. Hanno creato un "assistente digitale" (un modello di Machine Learning) con un compito molto specifico: imparare a riconoscere il rumore, ma ignorare tutto il resto.

Ecco come funziona, passo dopo passo, con un'analogia quotidiana:

1. L'Allenamento: Guardare il "Silenzio"

Immagina di insegnare a un bambino a riconoscere il rumore di fondo di una stanza. Prima di tutto, gli fai ascoltare la stanza quando è vuota e silenziosa.

• Nel mondo reale, questo significa prendere migliaia di foto scattate quando il rivelatore è spento (chiamate "pedestal"). In queste foto non ci sono particelle, solo il "ronzio" naturale della macchina.
• L'assistente digitale (un Autoencoder) guarda queste foto silenziose milioni di volte. Impara perfettamente com'è fatto il "ronzio": dove ci sono macchie fisse, come vibra l'immagine, qual è il colore di fondo.

2. Il Test: Trovare l'Intruso

Ora, l'assistente inizia a guardare le foto vere, quelle scattate quando il rivelatore è attivo e potrebbero esserci particelle.

• L'assistente prova a "ricostruire" la foto basandosi su quello che ha imparato (il silenzio).
• Se la foto è solo rumore, l'assistente la ricostruisce perfettamente: "Sì, questa è la solita stanza vuota".
• Ma se c'è una particella (un "intruso"), l'assistente si blocca. Non riesce a ricostruire quella parte perché non l'ha mai vista prima.
• Il risultato: L'assistente crea una mappa di "errori". Dove la ricostruzione fallisce, c'è un errore rosso. Quelli sono i punti dove c'è qualcosa di nuovo!

3. La Magia dell'Addestramento "Raffinato"

Gli scienziati hanno notato un problema: a volte l'assistente era troppo intelligente. Se vedeva un segnale debole, pensava: "Forse è solo un altro tipo di rumore" e provava a ricostruirlo comunque, rendendo difficile vederlo.

Per risolvere questo, hanno usato un trucco geniale durante l'allenamento:

• Mentre mostravano le foto silenziose all'assistente, gli iniettavano dei "falsi intrusi" (disegni digitali di macchie e linee) che non esistevano davvero.
• Dicevano all'assistente: "Vedi questa macchia che ho aggiunto? Non è rumore! Non provare a ricostruirla, ignorala!".
• In questo modo, l'assistente ha imparato una regola ferrea: "Se vedo qualcosa che non assomiglia al rumore di fondo, non provare a copiarlo, ma segnalo come errore!".

🚀 I Risultati: Un Filtro Super Veloce

Grazie a questo metodo, il sistema è diventato incredibilmente efficiente:

• Il Filtro: L'assistente guarda una foto gigante (milioni di pixel) e dice: "Tutto questo è rumore, scartalo. Tengo solo questo piccolo quadrato qui dove c'è la particella".
• Risparmio: Elimina il 97,8% dell'immagine! Salva solo il 2,2% dei dati, ma mantiene il 93% dell'informazione importante (l'energia della particella). È come pulire una stanza enorme buttando via 98% dei mobili, ma tenendo esattamente il tavolo dove c'è il tesoro.
• Velocità: Fa tutto questo in 25 millisecondi (meno di un battito di ciglia) su un computer normale. È abbastanza veloce da essere usato in tempo reale mentre l'esperimento gira.

🎯 Perché è Importante?

Immagina che in futuro il laboratorio diventi 10 volte più grande e produca 10 volte più dati. Senza questo sistema, i computer impazzirebbero e non potrebbero salvare nulla.

Questo sistema è come un portiere di lusso all'ingresso di un club:

1. Guarda la lista (il rumore di fondo).
2. Se sei un invitato (una particella), ti fa entrare e ti indica il tavolo giusto.
3. Se sei solo un passante o un rumore, ti ferma fuori.

In sintesi, gli scienziati hanno creato un "cacciatore di anomalie" che non ha bisogno di sapere cosa sta cercando (non ha bisogno di etichette o simulazioni complesse). Impara semplicemente com'è il "silenzio" e, quando sente un "rumore" diverso, sa subito che è importante. Questo permette di salvare i dati preziosi senza soffocare i computer con informazioni inutili.

Sommario tecnico

Titolo: Ricostruzione rapida basata su ROI tramite rilevamento di anomalie nel TPC ottico CYGNO

1. Il Problema

I Camere a Proiezione Temporale (TPC) con lettura ottica, come quelli utilizzati nell'esperimento CYGNO per la ricerca di eventi rari (es. materia oscura), producono immagini su scala megapixel ad alta granularità. Sebbene queste immagini contengano informazioni topologiche fini essenziali per distinguere i rinculi nucleari dai fondi elettronici, la loro dimensione e frequenza di acquisizione pongono sfide critiche per la selezione dei dati in tempo reale:

• Volume dei dati: Un prototipo come CYGNO-04 genererebbe un flusso dati di oltre 340 MB/s (circa 18 immagini al secondo da 6 telecamere), con ogni frame che occupa circa 18,9 MB.
• Rarità del segnale: Il segnale fisico di interesse occupa solo pochi millimetri quadrati su un'immagine di megapixel, rendendo la maggior parte dei dati "vuoti" (rumore di fondo).
• Limiti computazionali: Le pipeline di ricostruzione offline tradizionali sono troppo lente (secondi per frame) per operare a livello di trigger, dove è richiesto un budget di latenza di circa 50 ms.
• Necessità: È indispensabile una strategia di riduzione dei dati online che mantenga l'intero tasso di acquisizione delle telecamere, filtrando i frame e conservando solo le Regioni di Interesse (ROI) fisicamente rilevanti.

2. Metodologia

Gli autori propongono una strategia di rilevamento di anomalie (Anomaly Detection - AD) non supervisionata e basata sulla ricostruzione, che opera direttamente sui frame delle telecamere minimamente elaborati.

• Approccio di Apprendimento: Viene utilizzato un Autoencoder Convoluzionale (CAE) addestrato esclusivamente su frame di pedestal (immagini acquisite con il sistema di amplificazione GEM spento). Questi frame contengono solo il rumore intrinseco del rivelatore (rumore di lettura sCMOS, pattern fissi, conteggi oscuri), permettendo un addestramento senza etichette, simulazioni o calibrazioni fini.
• Architettura: Il modello è un autoencoder di tipo U-Net con connessioni in skip (skip connections), progettato per bilanciare fedeltà di ricostruzione ed efficienza computazionale su immagini 1024x1024.
• Strategia di Addestramento (Il Contributo Chiave):
  • Configurazione Base: Utilizza una funzione di perdita ibrida (MSE + SSIM) per ricostruire il rumore di pedestal. Tuttavia, questa configurazione tende a ricostruire parzialmente anche le strutture anomale deboli, riducendo il contrasto delle anomalie.
  • Configurazione Raffinata (Refined Training): Per superare questo limite, viene introdotta una tecnica innovativa durante l'addestramento: vengono iniettati perturbazioni sintetiche (blob gaussiani e tratti curvi simili a tracce) nei frame di pedestal. L'obiettivo di ricostruzione rimane il frame originale pulito, ma la funzione di perdita viene pesata spazialmente per penalizzare maggiormente l'errore nelle regioni delle perturbazioni sintetiche. Questo forza la rete a non ricostruire le strutture localizzate e strutturate, massimizzando il residuo (anomalia) quando queste appaiono nei dati reali.
• Estrazione delle ROI:
  1. Si calcola la mappa dei residui pixel per pixel ($|x - \hat{x}|$).
  2. Viene applicata una soglia globale per isolare i pixel anomali.
  3. I pixel anomali vengono aggregati spazialmente tramite un'operazione morfologica di chiusura (closing) per unire i frammenti vicini, generando una maschera binaria compatta (ROI).

3. Contributi Chiave

• Validazione dell'Approccio "Pedestal-Only": Dimostrano che è possibile addestrare un modello efficace per la selezione online utilizzando solo dati di rumore (pedestal), eliminando la necessità di dataset simulati o etichettati.
• Importanza dell'Obiettivo di Addestramento: Il lavoro evidenzia che la progettazione dell'obiettivo di addestramento (loss function) è più critica della complessità architetturale. La configurazione "raffinata" con iniezione di perturbazioni supera significativamente sia la configurazione base che i modelli classici (come il modello gaussiano pixel-per-pixel).
• Baseline Trasparente: Forniscono una baseline computazionalmente leggera e interpretabile per la riduzione dei dati nei TPC ottici, basata su residui di ricostruzione che sono facilmente visualizzabili e diagnosticabili.

4. Risultati

Utilizzando dati reali dal prototipo CYGNO, la configurazione "raffinata" ha ottenuto i seguenti risultati su un set di 1563 eventi ricostruiti:

• Copertura dell'Intensità del Segnale: Il 93,0 ± 0,2% dell'intensità del segnale ricostruito (proporzionale all'energia depositata) viene mantenuto all'interno delle ROI estratte.
• Riduzione dell'Area (Data Reduction): Viene scartato il 97,8 ± 0,1% dell'area dell'immagine. In pratica, solo il 2,2% dei pixel viene conservato, riducendo il volume di dati di quasi due ordini di grandezza.
• Tempo di Inferenza: Il tempo di elaborazione è di circa 25 ms per frame su una GPU consumer (Apple M1 Pro), ben al di sotto del budget di 50 ms richiesto per l'operatività in tempo reale.
• Robustezza Energetica: Le prestazioni rimangono elevate (copertura >90%) su tutto l'intervallo di energie testato (da O(keV) a centinaia di keV).
• Confronto: La configurazione raffinata supera sia il modello gaussiano pixel-per-pixel che l'autoencoder addestrato con perdita standard, dimostrando che l'inibizione della ricostruzione di strutture localizzate è fondamentale per la separazione delle anomalie.

5. Significato e Prospettive

Questo lavoro dimostra che il rilevamento di anomalie basato sulla ricostruzione è una soluzione pratica, trasparente ed efficiente per la riduzione dei dati online nei rivelatori TPC ottici.

• Scalabilità: L'approccio è essenziale per i futuri rivelatori CYGNO su larga scala (es. CYGNO-04), dove i flussi dati saranno ingestibili senza un filtraggio intelligente.
• Generalizzabilità: Poiché il metodo dipende solo dalla disponibilità di run di pedestal, è trasferibile ad altri esperimenti che utilizzano letture ottiche di TPC gassosi.
• Futuro: Sebbene i risultati siano promettenti, gli autori sottolineano la necessità di futuri studi su immagini a piena risoluzione (senza downsampling) e l'integrazione in pipeline di acquisizione dati (DAQ) reali per quantificare l'impatto end-to-end.

In sintesi, il paper stabilisce che un autoencoder addestrato su dati di rumore, con un obiettivo di addestramento opportunamente regolarizzato, può agire come un trigger intelligente, preservando quasi tutto il segnale fisico mentre riduce drasticamente il carico di dati, abilitando così la ricerca di eventi rari su larga scala.