Automated Physics-Informed Neural-Networks-Based Calibration of Highly Segmented Silicon Telescopes

技術要約：高度にセグメント化されたシリコン望遠鏡の自動化された物理情報に基づくニューラルネットワークを用いた校正

問題提起
現代の核物理学実験では、転移反応や多核子転移反応において微細な角度分解能と大きな立体角被覆率を実現するために、高度にセグメント化されたシリコン検出器アレイへの依存度が高まっている。このような粒度の向上は実験能力を強化する一方で、検出器の校正に重大な課題をもたらす。従来の校正手法は、通常、反復的かつしばしば手動の調整を通じてチャンネルごとに個別に操作されるが、これらは非効率であり、スケールアップが困難で、主観的なバイアスが生じやすい。これらの従来のアプローチは、各チャンネルが限られた物理相空間のわずかな部分しかサンプリングせず、統計量が減少している場合、数百または数千の個別のチャンネルにわたるグローバルな一貫性を維持することに苦慮する。したがって、高次元のデータを扱い、検出器セグメント間の相関を利用できる、堅牢で再現可能かつスケーラブルな校正戦略に対する切実なニーズが存在する。

手法
著者らは、高度にセグメント化されたシリコン望遠鏡アレイのために特別に設計された、ニューラルネットワークに基づく、完全に自動化されたデータ駆動型の校正フレームワークを提案している。この手法は、校正を独立したチャンネル調整の連続としてではなく、グローバルな最適化問題として定式化するものである。

• 物理情報に基づく最適化: このアプローチの核心は、二体運動学的制約の下での再構成された励起エネルギー（$E^*$）の幅（二乗平均平方根偏差、RMSD）を最小化することである。システムは、標的の励起エネルギーがゼロ（$E^*_{target} = 0$）である弾性散乱イベントを想定している。
• ニューラルネットワーク・アーキテクチャ: モデルは、共通の損失関数を共有する3つの独立したサブモデルを採用している。
  1. ストリップ番号の関数としての $\Delta E$ ゲイン（$a_k$）のためのサブモデル。
  2. ストリップ番号の関数としての残留エネルギー（$E_{res}$）ゲイン（$b_l$）のためのサブモデル。
  3. 各望遠鏡の垂直方向のシフト（$\delta y$）および極角のシフト（$\delta \theta$）に関する幾何学的配置補正のためのサブモデル。
• 損失関数と制約: 損失関数は、物理的制約を直接組み込んでいる。これは2種類のイベントを処理する。
  • 実験イベント: 全エネルギー（$E_{tot}$）と放出角（$\theta_L$）に基づいて完全な運動学的再構成を行い、$E^*$ を計算する。
  • 校正イベント: 実験前の3 $\alpha$ 校正データを使用して絶対エネルギー・スケールを固定し、オフセットを補正することで、ゲインと角度補正の間の縮退を防ぐ。
• データの活用: この手法は、検出器の応答を明示的にモデリングすることを必要とせず、実験データと確立された物理原則（二体運動学）のみに依拠している。本手法は、$^{238}\text{U}$ と $^{12}\text{C}$ の弾性散乱を用いた PISTA（Particle-Identification Silicon-Telescope Array）のデータを利用している。

主な貢献

• グローバル校正戦略: 本論文は、検出器のゲインと幾何学的補正を同時に決定し、すべての検出器チャンネル間での一貫性と自己整合性を確保する戦略を導入している。
• スケーラビリティと自動化: フレームワークは完全に自動化されており、計算効率が高く、約2分以内に収束する。これは、従来のチャンネルごとの校正に要した数週間または数ヶ月という時間と比較して大幅な改善である。
• 縮退の処理: $\alpha$ 校正データ（エネルギー・スケールの固定）と二体運動学的制約（グローバルなエネルギー・角度相関の強制）を組み合わせることで、検出器ゲインと角度補正の間の部分的な縮退を効果的に解消している。
• モジュール設計: 共通の損失関数を共有する独立したサブモデルを使用することで、各望遠鏡あたりの一定の幾何学的補正を維持しながら、ゲインを独立して決定することが可能となる。

結果
本手法は、PISTAアレイ（具体的には方位角 $\phi = 90^\circ, 135^\circ, 180^\circ$ の望遠鏡）の実験データを用いて検証された。

• 励起エネルギー分解能: 再構成された励起エネルギースペクトルは、理論的な運動学と極めて良好な一致を示した。達成された励起エネルギー分解能の標準偏差は、結合された望遠鏡に対して $\sigma_{E^*} = 0.436(10)$ MeV であった。個々の望遠鏡の分解能は $0.350(10)$ MeV から $0.490(10)$ MeV の範囲にあり、推定されたビームプロファイルの幅を精緻化した後のモンテカルロシミュレーションと一致している。
• 粒子識別 (PID): 校正により高品質な粒子識別が可能となった。エネルギー損失と残留エネルギーの二次元相関は、異なる原子番号および質量数に対して明確に分離されたバンドを示した。一次元のPIDスペクトルは、すべての望遠鏡において一貫したアイソトープ分離を示し、PID単位の標準偏差は $\sigma_{PID} = 0.03$ であった。
• 幾何学的補正: 導出された配置補正（$\delta \theta \approx +3.2^\circ, \delta y \approx 0$ mm）は、独立した機械的調査データと一致しており、本手順のさらなる妥当性を裏付けている。
• 再現性: トレーニングプロセスは高い安定性を示し、データセットのサブサンプリングに関わらず、校正係数はチャンネル間でわずかなランダム変動（$\Delta E$ ゲインで $\pm 2\%$、$E_{res}$ ゲインで $\pm 0.5\%$）のみを示した。

意義と主張
本論文は、このフレームワークが現代の核物理学における複雑な検出器システムの校正のための、一般的、適応的、かつ効率的なソリューションを提供すると主張している。ドメイン知識（物理的制約）を最適化プロセスに直接組み込むことにより、このアプローチは純粋に経験的なモデルの限界を回避しつつ、データ駆動型手法の柔軟性を保持している。著者らは、本手法が、ますます粒度と複雑さが増している次世代の検出器システムに特に適していると断言している。本研究は、物理情報に基づく機械学習が、複雑な校正問題に対して、従来の、手動による手順に代わる、堅牢で再現可能かつ時間効率の高い代替手段となり得ることを実証している。また、著者らは、このフレームワークは他の実験構成にも適応可能であり、将来の開発において多体反応チャネルへと拡張できる可能性があると述べている。