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

Dit artikel presenteert een onbeheerde, reconstructie-gebaseerde anomaliedetectiestrategie met convolutionele autoencoders die, getraind op CYGNO-optische TPC-pedaalbeelden, real-time regio's van belang (ROI's) efficiënt selecteert door 97,8% van het beeldoppervlak te verwijderen terwijl 93,0% van het signaalbehoud behouden blijft.

De kern

De Slimme Camera die Alleen het Belangrijke Ziet: Een Verhaal over CYGNO en Kunstmatige Intelligentie

Stel je voor dat je een gigantische, supergevoelige camera hebt die de hele kamer in één keer vastlegt. Deze camera is zo gevoelig dat hij zelfs de kleinste trillingen van stofdeeltjes of de warmte van een muisje kan zien. Maar hier is het probleem: de camera maakt foto's van miljoenen pixels per seconde, en 99,9% van die foto's is gewoon leeg, vol met ruis en statisch.

In de wereld van de natuurkunde (zoals bij het CYGNO-experiment) zoeken wetenschappers naar iets heel speciaals: de "spookachtige" sporen van donkere materie. Deze sporen zijn als een heel dunne, glinsterende draad in een enorme, donkere kamer. Als je elke seconde die gigantische foto opslaat, wordt je computer binnen no-time volgepropt met nutteloze data. Je hebt een manier nodig om snel te beslissen: "Is hier iets interessants? Of is het gewoon ruis?"

Dit is waar deze paper over gaat. Ze hebben een slimme, onbewuste (onzelfbewuste) kunstmatige intelligentie (AI) bedacht die als een slimme portier fungeert.

Hoe werkt deze slimme portier?

Stel je voor dat je een kind leert om te tekenen, maar je geeft het alleen maar foto's van een lege, witte muur. De muur heeft een beetje textuur, wat stofje hier en daar, en een klein beetje schaduw. Het kind leert deze "normale" muur uit zijn hoofd.

1. De Oefening (Training): De AI (een zogenaamde "Autoencoder") kijkt duizenden foto's van deze lege muur (in de wetenschap noemen ze dit "pedestal-frames"). Hij leert precies hoe de ruis eruit ziet. Hij weet: "Ah, dit is normaal. Dit is de achtergrond."
2. De Test (Anomalie Detectie): Vervolgens krijgt de AI een nieuwe foto. Stel dat er nu ineens een vlinder op die muur zit.
   • Omdat de AI alleen maar lege muren heeft gezien, probeert hij de nieuwe foto te "herbouwen" op basis van wat hij kent.
   • Hij bouwt de muur perfect na, maar de vlinder is voor hem een mysterie. Hij kan de vorm van de vlinder niet reproduceren omdat hij die niet kent.
   • Het resultaat: De AI maakt een fout. Hij tekent de muur, maar laat de plek waar de vlinder zit leeg of verkeerd.
3. Het Signaal: De wetenschappers kijken naar het verschil tussen de originele foto en de foto die de AI heeft "herbouwd". Waar de AI een fout maakt (een groot verschil), zit er iets interessants! Dat is hun signaal.

Waarom is dit zo slim?

In het verleden probeerden wetenschappers vaak om de AI te leren wat een "vlinder" (een deeltje) eruit ziet. Maar dat is lastig, want je weet niet precies hoe die eruit ziet, en je hebt geen duizenden voorbeelden van vlinders om te trainen.

Deze nieuwe aanpak is slimmer: Ze leren de AI alleen wat de "leegte" is.

• Als de AI de leegte perfect begrijpt, ziet hij elk afwijking direct als een "anomalie" (een afwijking).
• Het is alsof je een bewakingscamera hebt die alleen alarm slaat als er iets beweegt, zonder te weten wat dat iets is.

De "Truc" om het nog beter te maken

De onderzoekers merkten dat de AI soms te slim was. Soms probeerde hij de "vlinder" toch een beetje na te tekenen, waardoor het verschil (het alarm) te klein werd.

Om dit op te lossen, gebruikten ze een creatieve truc tijdens het trainen:

• Ze lieten de AI oefenen met foto's van de lege muur, maar ze plakten er zelf kunstmatige vlekken en lijntjes op (zoals valse vlinders).
• Ze zeiden tegen de AI: "Probeer deze vlekken niet na te tekenen! Zie ze als ruis en negeer ze."
• Hierdoor leerde de AI: "Als er een structuur is die ik niet ken, moet ik die niet proberen te reproduceren, maar juist laten vallen."

Dit zorgde ervoor dat de AI bij echte deeltjes (de echte vlinders) veel scherper en duidelijker alarm sloeg.

Wat is het resultaat?

De resultaten zijn indrukwekkend:

• Snelheid: De AI kan een foto in ongeveer 25 milliseconden verwerken. Dat is sneller dan het knipperen van je oog. Dit betekent dat het systeem in real-time kan werken terwijl de camera foto's maakt.
• Efficiëntie: Het systeem slaat 97,8% van de lege, nutteloze ruimte weg. Het houdt alleen de kleine stukjes vast waar het deeltje zit.
• Betrouwbaarheid: Ze verliezen bijna niets van het echte signaal (93% van de energie van het deeltje wordt nog steeds vastgehouden).

De Metafoor: De Schaar in de Bibliotheek

Stel je voor dat je een bibliotheek hebt met miljoenen boeken, maar je bent op zoek naar één specifiek verhaal dat in een van die boeken staat.

• De oude manier: Je leest elk boek, van pagina 1 tot 1000, om te kijken of het verhaal erin staat. Dit duurt eeuwen.
• De nieuwe manier (deze paper): Je hebt een slimme robot die alleen de "lege pagina's" kent. Als hij een boek ziet, bladert hij er snel doorheen. Zodra hij een pagina ziet die niet leeg is (een tekening, een woord, een vlek), stopt hij en zegt: "Hier is iets!" Hij knipt alleen dat stukje uit en gooit de rest van het boek weg.

Conclusie

Deze paper laat zien dat je niet altijd hoeft te weten wat je zoekt om het te vinden. Als je alleen maar heel goed leert wat "niets" is, kun je elk "iets" direct herkennen. Voor het CYGNO-experiment en toekomstige natuurkunde-experimenten is dit een game-changer: het maakt het mogelijk om enorme hoeveelheden data te filteren, zodat wetenschappers zich kunnen focussen op de echte mysteries van het universum, zonder verstrikt te raken in een zee van ruis.

Technische samenvatting

Probleemstelling

Optische Time Projection Chambers (TPCs), zoals het CYGNO-experiment, zijn krachtige instrumenten voor het zoeken naar zeldzame gebeurtenissen (bijv. donkere materie) in het energiebereik van 1–100 keV. Deze detectoren genereren echter enorme hoeveelheden data:

• Data-volume: Elke camera levert megapixel-afbeeldingen (bijv. 4096 × 2304 pixels) op. Met meerdere camera's die met een hoge frequentie draaien, ontstaat een datastroom van meer dan 340 MB/s.
• Sparsiteit: De fysieke signalen (deeltijssporen) beslaan slechts een zeer klein deel van de afbeelding (enkele mm²), terwijl de rest van de afbeelding voornamelijk uit ruis bestaat.
• Uitdaging: Het opslaan van alle ruwe data is onhaalbaar. Traditionele reconstructiepijplijnen zijn te traag (seconden per frame) om als trigger op het data-acquisitie-niveau te werken, waar een latentie van ongeveer 50 ms vereist is. Er is dus een snelle, online methode nodig om alleen de "Regions of Interest" (ROI's) met fysieke signalen te selecteren en de rest te verwerpen.

Methodologie

De auteurs presenteren een onbewaakte (unsupervised) anomaliedetectiestrategie die direct werkt op minimaal verwerkte cameraframes. De kern van de aanpak is een Convolutional Autoencoder (CAE) die uitsluitend wordt getraind op "pedestalframes".

1. Trainingsdata (Pedestalframes):

   • Pedestalframes worden opgenomen wanneer de versterkingsvoltage (GEM) is uitgeschakeld. Deze bevatten alleen de intrinsieke optische en elektronische ruis van de detector (sCMOS-ruis, vast patroon, donkere tellers).
   • Omdat er geen deeltijssignalen in zitten, vormen deze frames een schone "normale" dataset zonder simulatie of labels.

2. Architectuur:

   • Een U-Net-achtige convolutionele autoencoder (encoder-decoder structuur met skip-connections).
   • De invoer is gereduceerd tot 1024 × 1024 pixels (downscaling van de originele 1525 × 1525) om het geheugenverbruik te verlagen en training te stabiliseren.
   • De latentere ruimte heeft een dimensie van 128.

3. Trainingsdoel en Strategie (Kerninnovatie):

   • Het doel is om de ruisstructuur perfect te reconstrueren, maar niet om deeltijssignalen (die niet in de trainingsdata zitten) te reconstrueren.
   • Vergelijking van twee configuraties:
     • Basisconfiguratie: Gebruikt een hybride verliesfunctie (MSE + SSIM). Dit bleek echter te goed te zijn in het reconstrueren van zelfs zwakke structuren, wat de contrasten in de residukaart verlaagde.
     • Gefinancierde configuratie (Refined): Tijdens training worden synthetische perturbaties (kunstmatige "blobs" en "tracks") toegevoegd aan de invoer, maar de trainingsdoel blijft het schone pedestalframe. Een gewichtsmasker verhoogt de straf (loss) voor het reconstrueren van deze kunstmatige gebieden. Hierdoor leert het netwerk specifiek om lokale, gestructureerde afwijkingen te onderdrukken in plaats van ze na te bootsen.

4. ROI-extractie:

   • Na reconstructie wordt een residukaart gemaakt: $r(x) = |x - \hat{x}|$.
   • Een drempelwaarde (thresholding) isoleert pixels met hoge residuen (anomalieën).
   • Morfologische operaties (sluiten) groeperen nabijgelegen anomalieën tot compacte ROI-maskers.

Belangrijkste Bijdragen

• Pedestal-gebaseerd onbewaakt leren: Demonstratie dat een model uitsluitend op ruisdata getraind kan worden om effectief signalen te detecteren, zonder simulatie of gelabelde data.
• Invloed van het trainingsdoel: Het artikel toont aan dat de keuze van de trainingsdoelfunctie (loss function) cruciaal is. Een standaard autoencoder presteert vaak slechter dan een simpele Gaussische ruismodel omdat het te goed probeert te reconstrueren. De "refined" aanpak met synthetische perturbaties lost dit op.
• Transparante en detector-agnostische basis: De methode is transparant (de residukaarten zijn visueel interpreteerbaar) en toepasbaar op elke optische TPC die pedestalframes genereert.

Resultaten

De methode werd getest op echte data van het CYGNO-prototype en vergeleken met een offline reconstructie-algoritme als referentie.

• Signaalbehoud: De beste configuratie behoudt 93,0 ± 0,2% van de gereconstrueerde signaalintensiteit. Dit betekent dat bijna alle fysiek relevante informatie wordt bewaard.
• Data-reductie (Area Cut): De methode verwijdert 97,8 ± 0,1% van het beeldoppervlak. Dit betekent dat slechts ongeveer 2,2% van de pixels wordt opgeslagen, een reductie van bijna twee orde van grootte.
• Snelheid: De inferentie-tijd is ongeveer 25 ms per frame op een consumenten-GPU (Apple M1 Pro). Dit ligt ruim binnen de vereiste latentie van ~50 ms voor real-time triggering.
• Vergelijking: De "refined" autoencoder presteert significant beter dan zowel een simpele pixel-voor-pixel Gaussische baseline als een standaard getrainde autoencoder, vooral in de afweging tussen signaalbehoud en compressie.
• Energie-afhankelijkheid: De methode werkt consistent goed over het hele energiebereik (van enkele keV tot honderden keV).

Betekenis en Toekomstperspectief

De studie bewijst dat reconstructie-gebaseerde anomaliedetectie een praktische en transparante oplossing biedt voor de data-reductie uitdagingen in optische TPCs.

• Schalbaarheid: Met de komst van grotere detectoren (zoals CYGNO-04) die datastromen van honderden MB/s genereren, is een dergelijke snelle online selectie essentieel om de opslag en bandbreedte haalbaar te houden.
• Toekomst: Hoewel dit werk een basislijn (baseline) is, opent het de weg voor geavanceerdere ML-pijplijnen in deeltjesfysica-experimenten. De methode kan worden uitgebreid met multi-scale modellen of aandachtmechanismen, maar de huidige aanpak biedt al een robuuste, interpretabele en rekenkundig efficiënte basis voor real-time data-acquisitie.

Kortom, de auteurs hebben een efficiënte trigger-mechanisme ontwikkeld dat de enorme datastroom van optische TPCs drastisch verkleint zonder waardevolle fysieke signalen te verliezen, puur door het leren van de ruisstructuur van de detector.