Charge collection parameterization of MALTA2, a depleted monolithic active pixel sensor

CERN SPS の MALTA ビーム望遠鏡を用いた MALTA2 センサーの実測データに基づき、TCAD シミュレーションに依存せずに効率的かつ高精度な電荷収集パラメータ化手法を提案し、高率粒子追跡や高粒度カロリメトリ向けのデジタルセンサー設計最適化への応用を目指しています。

要約

この論文は、**「粒子を捉えるための超高性能カメラ（センサー）」の設計と、その性能を予測する「新しいシミュレーション方法」**について書かれています。

専門用語を避け、日常の例えを使ってわかりやすく解説します。

1. 物語の舞台：「粒子を捉えるカメラ」

まず、この研究で使われている「MALTA2」というセンサーは、素粒子（原子のさらに小さな部品）が飛んでくるのを捉えるための**「超高速・高感度のデジタルカメラ」**のようなものです。

• 普通のカメラ: 光を捉えて写真にします。
• このセンサー: 素粒子が当たった瞬間の「電気的な衝撃（電荷）」を捉えて、それがどこで起きたかを記録します。

このセンサーは、非常に薄いシリコンの層（30 マイクロメートル、髪の毛の半分より薄い！）の上に作られており、素粒子が通った跡をミリ単位ではなく、マイクロ単位で正確に追跡する必要があります。

2. 従来の問題点：「レシピが秘密の料理」

これまで、このセンサーがどうやって素粒子を捉えるかをシミュレーション（計算で予測）するには、**「TCAD」**という高度なツールが使われていました。

• TCAD の仕組み: 工場で作られたセンサーの「内部のレシピ（ドープ濃度や構造）」をすべて知っていれば、コンピューターで「もしこうしたらどうなるか」をシミュレートできます。
• 問題点: しかし、このセンサーは民間の工場で作られています。工場の**「レシピ（製造プロセスの詳細）」は企業秘密**で、研究者には教えてもらえません。
• 結果: 研究者は「たぶんこうだろう」という推測でシミュレーションをしなければならず、精度が落ちたり、計算に時間がかかりすぎたりしていました。

3. 新しい解決策：「味見からレシピを逆算する」

そこで、この論文の著者たちは**「新しい方法」**を考え出しました。

例え話：
料理人が「秘密のレシピ」を教えないレストランに行くとします。

• 昔の方法: 料理人が「たぶん塩を少し入れたはずだ」と推測して、同じ味を再現しようとする（失敗しやすい）。
• 新しい方法（この論文）: 料理人が作った**「完成した料理（実際のデータ）」を食べて、その味（電気の集まり方）を分析し、「あ、これはこういう味だから、こうやって作られたに違いない」と逆算してルールを作る**方法です。

彼らは CERN（欧州原子核研究機構）の加速器で、実際に MALTA2 センサーに素粒子を当ててデータを収集しました。そして、「素粒子がどこに当たると、どのくらいの電気が集まるか」というパターンを数式で表現しました。

4. 発見された「電気の流れ」のルール

実験データから、彼らは面白い現象を見つけました。

• ピクセルの真ん中: 素粒子がピクセル（画素）の真ん中に当たると、電気がすべてそこに集まります。
• ピクセルの境界: 素粒子がピクセルの端（境界線）に当たると、電気が隣のピクセルにも少し漏れ出します（これを**「電荷の共有」**と言います）。

彼らはこの「電気がどう広がるか」を、**「滑らかな曲線（数学的な関数）」**を使ってシンプルに表すことに成功しました。

• 従来の TCAD: 複雑な 3D 地形をすべて計算して、水がどう流れるかシミュレートする（時間がかかる）。
• 新しい方法: 「水は端に行くと 50% ずつ分かれる」という簡単なルールをデータから導き出し、それだけで計算する（超高速）。

5. なぜこれがすごいのか？

この新しいシミュレーション方法には、2 つの大きなメリットがあります。

1. 超高速: 複雑な計算がいらないので、パソコンが一瞬で結果を出せます。
2. 秘密不要: 工場の「秘密のレシピ」がなくても、実験データさえあれば正確に予測できます。

これにより、研究者は**「もしデジタル回路のデザインを変えたら、性能はどう変わるか？」**を、すぐに試すことができます。まるで、新しいカメラのレンズの設計図を、実際にレンズを作らずにコンピューター上で何千回もテストできるようなものです。

まとめ

この論文は、**「工場の秘密がわからないからといって、センサーの性能を予測できないわけではない」**と証明したものです。

• 従来の方法: 秘密のレシピを推測して、重たい計算をする。
• この論文の方法: 実際の味（データ）を分析して、簡単なルールを見出し、瞬時に未来を予測する。

この技術を使えば、将来の素粒子実験や、より高性能な医療用画像診断装置などに応用できる、より優れたセンサーを**「安く、早く、正確に」**設計できるようになります。

技術概要

以下は、提示された論文「Rethymno, Crete, Greece 6-10 October 2025 における Topical Workshop on Electronics for Particle Physics への提出用：MALTA2（枯渇型モノリシックアクティブピクセルセンサー）の電荷収集パラメータ化」の技術的な要約です。

1. 背景と課題 (Problem)

半導体センサーの設計、特性評価、最適化には、電荷収集のシミュレーションが不可欠です。特に、小型の収集電極を持つ枯渇型モノリシックアクティブピクセルセンサー（DMAPS）では、不均一な電場配置により、電荷輸送と信号形成の正確なモデリングが求められます。
従来の手法として、技術計算機支援設計（TCAD）シミュレーションが広く用いられていますが、これには以下の課題があります。

• 機密情報の欠如: 商用製造プロセス（ファウンドリ）では、ドーピングプロファイルやイオン注入幾何学などの詳細なプロセス情報が公開されていないことが多く、TCAD モデルの構築が困難です。
• 計算コスト: TCAD シミュレーションは計算リソースを大量に消費し、設計の反復最適化には時間がかかります。
• 仮定への依存: 情報が不足している場合、TCAD は仮定や系統的なパラメータ変更に依存せざるを得ず、その精度は実験的検証に依存します。

2. 手法 (Methodology)

本研究では、TCAD に代わる**「測定駆動型のパラメータ化に基づく高速シミュレーション手法」**を提案しました。この手法は、センサーの物理的なプロセス詳細を必要とせず、実験データから直接導出されたパラメータを使用します。

• 対象センサー: MALTA2（30 µm のエピタキシャルシリコン層上に 180 nm CMOS 画像技術で製造）。ピッチは 36.4 × 36.4 µm²、サイズは 224 × 512 ピクセル。
• 実験データ取得: CERN の SPS（超伝導プロトンシンクロトロン）にある MALTA ビーム望遠鏡を用いて、180 GeV/c の混合ハドロンビームで測定を行いました。
  • 基板と P ウェルに -6 V のバイアスを印加。
  • 二値読み出し（Binary readout）センサーであるため、様々な閾値設定でデータを収集し、電荷再構成アルゴリズム（文献 [3] に基づく）を用いて電荷分布を推定。
• モデル化:
  • 再構成された電荷分布（最も確からしい値：MPV）を、解析的な電荷収集モデルでパラメータ化しました。
  • 1 次元モデルは誤差関数（erf）を用いた式 (3.1) で定義され、ピクセル境界での電荷共有を 50% になるように周期性を持たせています。
  • ビーム望遠鏡の有限な軌跡分解能（4.6 µm）を考慮するため、モデルにガウス分布との畳み込みを適用。
  • 2 次元モデルは、2 つの 1 次元モデルの積として構築されました（式 3.3）。
• シミュレーション実装: GEANT4 からのエネルギー付与を、シードピクセルと隣接する 3 ピクセル（最大 4 ピクセル）間で分配するロジックを実装。電荷の分配比率は上記の解析関数（CC2D）で即座に計算されます。

3. 主要な貢献 (Key Contributions)

• プロプライエタリ情報不要の高速シミュレーション: ファウンドリの機密情報を一切必要とせず、実験データのみから高精度な電荷収集モデルを構築する手法を確立しました。
• 計算効率の向上: TCAD に代わる軽量なアナログピクセルシミュレーションを提供し、デジタル回路設計の最適化を迅速に行えるようにしました。
• 微細構造の影響の定量化: 残差解析を通じて、深層 P ウェル（Deep P-Well）の切り欠き（カットアウト）が収集電極のシールドを軽減し、電荷収集に有利に働くこと、およびアナログ回路下の N ウェルが電荷収集をわずかに減少させることを明らかにしました。

4. 結果 (Results)

• モデルの精度: 提案されたモデルは、ピクセル中心での電荷収集効率を非常に高い精度で再現しました。
  • ピクセル中心での再構成された MPV は $1714 \pm 51 e^-$ であり、これは感度のあるシリコン厚さ $29.1 \pm 0.8 \mu m$ に相当します。
  • モデルと実験データの残差は、ピクセル全体で 2% 未満（閾値較正の不確かさ 3% 以下）に抑えられました。
• シミュレーションと実測の一致:
  • 1400 $e^-$ の閾値におけるピクセル内効率を比較した結果、望遠鏡の軌跡分解能（$\sigma_{gauss} = 4.6 \mu m$）を考慮したシミュレーションは、実測データと約 1% のオフセット内で一致しました。
  • 電荷共有を無視したシミュレーションは効率を過大評価し、クラスターサイズを過小評価しましたが、$\sigma_{erf} = 4.3 \mu m$ を用いた提案モデルは、効率分布とクラスターサイズの両方で実験データを正確に再現しました。
• パラメータ感度: 電荷共有の幅パラメータ（$\sigma_{erf}$）がデータに敏感に影響を与えることが確認され、最適値が 4.3 µm であることが実証されました。

5. 意義と将来展望 (Significance)

• 設計最適化への応用: この手法は、高レート粒子追跡や高粒度カロリメトリ向けのデジタルセンサー設計の最適化に即座に利用可能です。
• スケーラビリティ: 本モデルは、より複雑な電荷共有（4 ピクセル以上への広がり）や非対称性、Z 軸依存性を組み込んだ拡張も容易です。
• 次世代センサー開発: 65 nm CMOS などの微細プロセスや、より薄いエピタキシャル層を持つセンサーにおいても、同様のアプローチで非対称性の影響を評価できる可能性があります。
• 結論: 本論文で提示された測定駆動型パラメータ化手法は、TCAD シミュレーションの制約を克服し、実験データに基づいた現実的かつ計算的に軽量なセンサーシミュレーションを実現する有効な代替手段です。