What Machine Learning Can Do for Focusing Aerogel Detectors

Dit artikel presenteert door machine learning geïnspireerde benaderingen, overgenomen uit computer vision, om omgevingsachtergronddetecties in de FARICH-detector (Focusing Aerogel Ring Imaging CHerenkov) aan de Super Charm-Tau-fabriek te filteren, waardoor de dataflow wordt gereduceerd en de resolutie van de deeltjessnelheid wordt verbeterd.

De kern

Stel je voor dat je probeert een duidelijke foto te maken van een enkele vuurvlieg die knippert in een donker veld. Stel je nu voor dat je in plaats van een rustige nacht middenstaat in een massale, chaotische vuurwerkshow. Telkens als je een foto probeert te maken, verlichten duizenden willekeurige vonken (ruis) de camerasensor, waardoor het bijna onmogelijk wordt om die ene vuurvlieg te zien waar het om gaat (het signaal).

Dit is precies het probleem waarmee wetenschappers worstelen die werken aan een nieuwe deeltjesdetector genaamd FARICH, die wordt gebouwd voor een enorm natuurkundig experiment genaamd de Super Charm-Tau-fabriek. Hun doel is het identificeren van specifieke subatomaire deeltjes door te kijken naar de zwakke lichtringen die ze creëren. Echter, vanwege de locatie van de detector, wordt deze gebombardeerd met zoveel "achtergrondruis" (willekeurige hits) dat het echte signaal wordt overschaduwd. De verhouding tussen ruis en signaal is ongeveer 70 tot 1.

Hieronder wordt uitgelegd hoe de auteurs Machine Learning (ML) hebben gebruikt om dit op te lossen, in eenvoudige bewoordingen:

1. De Oude Manier versus de Nieuwe Manier

De Oude Manier (Het Regelschrift):
Traditioneel probeerden wetenschappers ruis te filteren door strikte wiskundige regels op te stellen die gebaseerd waren op de fysica. Bijvoorbeeld: "Als een hit precies op 3 nanoseconden gebeurt, behoud het; als het op 4 gebeurt, gooi het weg."

• Het Probleem: Dit is als proberen een rommelige kamer te sorteren door alleen te kijken naar de kleur van de objecten. Het werkt redelijk als de kamer slechts lichtelijk rommelig is, maar als de kamer overloopt van spul (zware achtergrondruis), falen deze starre regels. Ze hebben ook moeite om zich aan te passen als je nieuwe soorten data toevoegt.

De Nieuwe Manier (Het Slimme Oog):
De auteurs besloten Machine Learning te gebruiken, specifiek technieken ontleend aan computerzicht (de technologie die computers in staat stelt om objecten op foto's te "zien" en te herkennen).

• De Analogie: In plaats van een regelschrift te volgen, trainden ze een computer om naar de data te "kijken" zoals een mens naar een drukke foto kijkt. De computer leert het vorm en patroon van het echte signaal herkennen, en negeert de willekeurige chaos eromheen, net zoals jij een vriend in een menigte kunt opsporen, zelfs als hij een andere hoed draagt dan gebruikelijk.

2. Hoe Ze de Computer Leerden

Om dit "slimme oog" te trainen, creëerden de onderzoekers een digitale simulatie (een videospelversie van de detector) met behulp van een tool genaamd Geant4.

• De Invoer: Ze voerden de computer een speciaal "beeld" in dat uit twee lagen bestond:
  1. Waar het licht raakt (coördinaten).
  2. Wanneer het licht raakt (tijd).
• Het Patroon: Echte signalen hebben de neiging om strak bij elkaar te clusteren in de tijd (zoals een groep vrienden die bij elkaar schuilen), terwijl de ruis willekeurig verspreid is (zoals mensen die in verschillende richtingen alleen lopen).
• De Training: Ze toonden de computer miljoenen van deze "beelden", sommige met het echte signaal en sommige met alleen ruis. De computer (met behulp van een specifiek type neurale netwerk genaamd ResNet-18) leerde de "bij elkaar schuilende vrienden" te onderscheiden van de "willekeurige wandelaars".

3. De Resultaten: Een Schoner Uitzicht

De resultaten waren indrukwekkend. Toen ze het systeem testten met een hoog niveau van ruis (het simuleren van het worst-case scenario):

• Ruisreductie: Het systeem filterde succesvol 90% van de achtergrondruis eruit.
• Signaalbehoud: Het behield 95% van de echte, belangrijke signalen.

Stel je dit voor als een portier bij een club die zo goed is in het opsporen van VIP's dat hij 95% van de VIP's binnenlaat terwijl hij 90% van de mensen die gewoon proberen het feestje te kraken, eruit gooit.

4. Waar Het Het Best Werkt (en Waar Het Moeite Heeft)

Het "slimme oog" werkt het beste wanneer de deeltjes snel bewegen (hoge impuls). Echter, net zoals een mens moeite kan hebben om een vuurvlieg te zien als deze zeer langzaam beweegt of vanuit een rare hoek, daalt de prestatie van het systeem iets wanneer de deeltjes traag zijn of de detector vanuit een scherpe hoek raken.

5. Het Grote Plaatje

Het artikel concludeert dat terwijl traditionele wiskundige regels goed zijn voor eenvoudige situaties, Machine Learning een krachtig hulpmiddel is voor rommelige, ruizige omgevingen. Door de detectordata te behandelen als een afbeelding en technieken voor computerzicht te gebruiken, kunnen ze de data veel effectiever opschonen. Dit helpt niet alleen het huidige experiment, maar kan ook worden gebruikt voor andere detectoren in de toekomst, zoals die gepland voor de NICA-faciliteit.

Kortom: Ze vervingen een star regelschrift door een "slimme camera" die leerde de vuurwerkshow te negeren zodat het eindelijk de vuurvlieg kon zien.

Technische samenvatting

Technische Samenvatting: Machine Learning voor het Focussen van Aerogel-detectoren

Probleemstelling
Het Super Charm-Tau-fabrieks (SCTF) experiment vereist betrouwbare deeltjesidentificatie (PID), waarvoor een FARICH-detectoren (Focusing Aerogel Ring Imaging CHerenkov) wordt voorgesteld. Een kritieke uitdaging voor de FARICH is de operationele omgeving, waarbij koelingsbeperkingen leiden tot een hoge snelheid van omgevingsachtergrondhits. Specifiek kunnen eigenschappen van Silicium-Photomultipliers (SiPM) en operationele temperaturen resulteren in achtergrondhitsnelheden van ongeveer $1 \text{ MHz/mm}^2$, wat een signaal-achtergrondverhouding oplevert die zo laag is als 0,014.

Conventionele patroonherkenningsmethoden, die steunen op empirische statistieken afgeleid van fysieke eigenschappen (bijv. hit-tijden, celbezetting), zijn alleen effectief onder matige achtergrondomstandigheden. Deze statistische benaderingen worstelen in de zware achtergrondomgeving van de FARICH vanwege hun lokale aard en de vereiste van vooraf bekende deeltjesbaaninformatie. Bovendien is het integreren van nieuwe databronnen in deze statistische kaders moeilijk. Het primaire doel is om deze ruis te mitigeren om de dataflow te verminderen en de resolutie van deeltjessnelheid te verbeteren zonder te vertrouwen op bestaande baaninformatie.

Methodologie
De auteurs stellen een Machine Learning (ML) -benadering voor, geïnspireerd door computerzichttechnieken, om signaalshits te filteren en gebeurtenissen te reconstrueren.

• Datarepresentatie: Signaaldata wordt gegenereerd via Geant4-simulatie en bevat fotocoördinaten ($x_c, y_c$) en hit-tijden ($t_c$) op een SiPM-rooster. Om ML-mogelijkheden voor uniforme datahantering te benutten, wordt de invoer opgemaakt als een 2-kanaals afbeelding:
  1. Een bilineair geïnterpoleerd binair masker afgeleid van coördinaten.
  2. Genormaliseerde hit-tijden voor corresponderende pixels.
     Dit formaat maakt gebruik van de temporele compactheid van signaalshits (geclusterd binnen $\sim 2$ ns) in vergelijking met de volledige gebeurtenisduur ($\sim 7$ ns). Uniforme willekeurige ruis wordt opgelegd om omgevingsachtergrond te simuleren.
• Modelarchitectuur: Een ResNet-18 convolutioneel neurale netwerk (CNN) wordt ingezet, met aanpassingen aan de invoer- en uitvoerlagen om het specifieke dataformaat te accommoderen. Het model wordt geïnitieerd met vooringestelde gewichten uit een reconstructietaken om het leren te versnellen.
• Taakformulering: Het ruisfilteringsprobleem wordt geformuleerd als een binaire classificatietaken (signaal aanwezig versus signaal afwezig).
  • Grondwaarheid: Gebeurtenissen worden positief gelabeld als ze $\ge 10$ signaalfotonen bevatten binnen een omhullende doos afgeleid van deeltjesbaanparameters.
  • Trainingsstrategie: De auteurs onderzoeken gewogen binaire classificatie (Vergelijking 1) om de afweging tussen efficiëntie (True Positive Rate) en ruisreductie (False Positive Rate) te controleren. Ze vergelijken training met specifieke positieve klassengewichten ($w_{pos}$) met het eenvoudig aanpassen van de beslissingsdrempel in een standaard logistische regressieopstelling.
  • Alternatieve aanpak: Het artikel overweegt ook regressie van de omhullende doos (voorspellen van coördinaten van de signaaldoos) als alternatief voor classificatie.

Belangrijkste Resultaten

• Efficiëntie van ruisafwijzing: De ML-gebaseerde aanpak bereikt aanzienlijke ruisafwijzing terwijl een hoge signaalefficiëntie behouden blijft. Voor $\pi^-$-gebeurtenissen bij een ruisfrequentie van $10^6 \text{ Hz/mm}^2$, bereikt het model 90% achtergrondafwijzing terwijl 95% van het signaal behouden blijft.
• Vergelijking van trainingsstrategieën: Er werd geen significant prestatieverschil waargenomen tussen training met specifieke positieve klassengewichten en het gebruik van een standaardclassificator met een afgestelde drempel. Derhalve concluderen de auteurs dat de eenvoudigere methode (drempelafstelling) de voorkeur verdient om de rekenkosten van het trainen van meerdere modellen te vermijden.
• Afhankelijkheden van prestaties:
  • Het model presteert het beste voor gebeurtenissen met hoog momentum.
  • De prestaties verslechteren aan het onderste einde van het momentumspectrum en voor invalshoeken dichter bij de raaklijn.
  • De classificatiebenadering blijkt minder nauwkeurig maar aanzienlijk robuuster dan regressie van de omhullende doos. Het koppelen van regressie van de omhullende doos aan classificatie voor positieve gebeurtenissen zou echter potentieel nog hogere ruisreductie kunnen opleveren.
• Metingen: Prestaties worden geëvalueerd met behulp van Receiver Operating Characteristic (ROC) -curves en het Area Under Curve (AUC), met een focus op efficiëntie en tarieven van ruisgebeurtenisreductie.

Betekenis en Claims
Het artikel beweert dat het toepassen van Machine Learning op de FARICH-detectoren de beperkingen van conventionele statistische methoden in omgevingen met hoge achtergrond aanpakt. Door hoogwaardige kenmerken uit uniforme databronnen (coördinaten en tijd) te extraheren, biedt ML een robuuste oplossing voor online ruisfiltering en offline reconstructie.

De auteurs benadrukken dat hoewel de initiële resultaten veelbelovend zijn, het onderzoek deel uitmaakt van een bredere inspanning om essentiële problemen in de FARICH-ontwikkeling op te lossen, waaronder snelle online filtering, offline reconstructie en snelle simulatie. Ze merken op dat de toepasbaarheid van dit onderzoek verder reikt dan de SCTF, aangezien het FARICH-ontwerp ook onder discussie is voor de Spin Physics Detector (SPD) bij NICA. Het werk suggereert dat ML groot potentieel heeft voor RICH-detectoren in de deeltjesfysica van hoge energie, en een weg biedt om de specifieke ruisuitdagingen van SiPM-gebaseerde aerogeldetectoren het hoofd te bieden.