Readout and PID using AIML for SoLID High Background Cherenkov Detectors

Dit artikel presenteert de ontwikkeling van een MAROC-gebaseerd uitleessysteem en AI-gestuurde methoden voor deeltjesidentificatie om betrouwbare pion/kaon-scheiding te realiseren in de omgeving met een hoge achtergrondstraling van de SoLID Cherenkov-detectoren bij Jefferson Lab.

De kern

De Detectie van de "Snelheidsduivels": Hoe we deeltjes leren herkennen in een kosmische storm

Stel je voor dat je op een extreem druk, luidruchtig festival staat. Er zijn duizenden mensen tegelijkertijd aan het praten, muziek staat keihard, en er vliegen constant confetti-kanonnen af. Je probeert één specifieke vriend te vinden die een heel specifiek liedje neuriet. Dat is precies het probleem waar de wetenschappers van de SoLID-experimenten bij Jefferson Lab tegenaan lopen.

Het Probleem: De Kosmische Disco

In de deeltjesversneller van het laboratorium botsen deeltjes met een enorme snelheid tegen elkaar. Hierbij ontstaan er allerlei verschillende "deeltjes" (zoals pionen en kaonen). Voor wetenschappers is het cruciaal om te weten welk deeltje wat is, want dat vertelt ons hoe de bouwstenen van ons universum werken.

Het probleem? De detector (de HGC-detector) is als die drukke disco. Er is een enorme hoeveelheid "achtergrondruis" (verkeerde deeltjes en lichtflitsen) die de echte signalen overstemt. Het is alsof je probeert te luisteren naar een zacht gefluister terwijl er een heavy metal band naast je staat te spelen.

De Oplossing Deel 1: De Super-Microfoons (De Hardware)

Om dit op te lossen, hebben de onderzoekers een nieuwe manier van "luisteren" bedacht. Normaal gesproken luister je naar het totale volume van de kamer om te horen of er geluid is. Maar dat is niet genoeg in deze chaos.

De onderzoekers hebben een nieuw systeem gebouwd (de MAROC sum readout) dat werkt als een set super-microfoons. In plaats van alleen het totale volume te meten, kunnen deze microfoons drie dingen tegelijk:

1. Het totale volume meten (is er überhaupt geluid?).
2. De kamer in vier kwadranten verdelen (waar komt het geluid vandaan?).
3. Elke individuele stem volgen (welke specifieke persoon praat er?).

Door deze extra details te hebben, kun je veel beter onderscheid maken tussen de "echte muziek" en de "ruis".

De Oplossing Deel 2: De Slimme Luisteraar (De AI)

Zelfs met die goede microfoons is de hoeveelheid data te groot voor een mens om te verwerken. Je kunt niet handmatig naar miljoenen geluidssignalen per seconde luisteren.

Daarom hebben ze Artificial Intelligence (AI) ingezet. Je kunt dit zien als een super-slimme computer die getraind is om patronen te herkennen. De AI heeft duizenden voorbeelden "gehoord" van hoe een pion klinkt en hoe een kaon klinkt, inclusief de achtergrondruis.

In plaats van alleen te tellen hoeveel "lichtflitsen" er zijn (wat niet werkt in de chaos), kijkt de AI naar het patroon. Een pion laat een specifiek soort licht-afdruk achter, een soort "licht-vingerafdruk". De AI is zo goed geworden dat hij zelfs in de storm van confetti en lawaai die unieke vingerafdruk van de pion kan herkennen.

De Conclusie: Een Succesvolle Mix

De resultaten zijn fantastisch. Door de combinatie van de super-microfoons (de nieuwe elektronica) en de slimme luisteraar (de AI), kunnen de wetenschappers nu met meer dan 90% zekerheid zeggen welk deeltje ze hebben gezien.

Kortom: Ze hebben een manier gevonden om in een kosmische storm van licht en lawaai toch de individuele stemmen van de kleinste bouwstenen van de natuur te horen. Dit opent de deur naar een veel beter begrip van hoe de wereld om ons heen is ontstaan.

Technische samenvatting

Technische Samenvatting: Readout en PID met AIML voor SoLID High Background Cherenkov Detectoren

1. Probleemstelling

Het SoLID-experiment (Solenoidal Large Intensity Device) bij de Thomas Jefferson National Accelerator Facility (JLab) is ontworpen voor onderzoek naar de nucleonenstructuur onder extreem hoge luminositeit. Een cruciale uitdaging is de deeltjesidentificatie (Particle Identification, PID) in de Heavy Gas Cherenkov (HGC) detector.

De HGC moet pionen ($\pi$) scheiden van kaonen ($K$) in een omgeving met een zeer hoge achtergrond (background). Deze achtergrond wordt veroorzaakt door elektronen die door de bundel worden gegenereerd. Traditionele methoden, zoals het simpelweg tellen van het aantal foto-elektronen (NPE), schieten tekort omdat de achtergrond de signaalverdeling overlapt met de kaon-verdeling. Bovendien vereist de hoge snelheid (tot 4 MHz per PMT) elektronica die zowel de totale lichtintensiteit als de ruimtelijke informatie van de Cherenkov-ringen kan verwerken zonder verzadiging.

2. Methodologie

Het onderzoek is verdeeld in twee hoofdonderdelen: hardware-ontwikkeling (readout) en software-algoritmen (PID).

A. Readout Design (Hardware):
Om de ruimtelijke informatie van de multianode fotomultiplicatoren (MAPMT's) te benutten, is een nieuw MAROC sum readout-systeem ontwikkeld. In plaats van alleen de totale som van een PMT te meten, levert dit systeem simultaan drie soorten signalen:

1. Pixel-signalen: Individuele hits per pixel (via TDC).
2. Quadrant-sum signalen: De som van groepen van 16 pixels (via FADC).
3. Total-sum signalen: De totale lading van de gehele PMT.

B. AIML-gebaseerde PID (Software):
De onderzoekers gebruikten realistische Geant4-simulaties om de PID te testen. Ze ontwikkelden een Multilayer Perceptron (MLP), een type neuraal netwerk (Deep Learning), om de deeltjes te classificeren.

• Input: De data werden gestructureerd als een reeks NPE-waarden per readout-eenheid (pixel, quad of PMT).
• Training: Het model werd getraind op 2 miljoen gelabelde gebeurtenissen (pionen vs. kaonen) voor verschillende kinematische instellingen.
• Doel: Het herkennen van patronen in de ruimtelijke verdeling van fotonen om de achtergrond te onderscheiden van het Cherenkov-signaal.

3. Belangrijkste Bijdragen

• Ontwikkeling van een hybride readout-architectuur: Het MAROC-systeem maakt het mogelijk om zowel de precisie van individuele pixels als de snelheid van analoge sommatie te combineren.
• Validatie van hoge snelheden: De elektronica is getest tot snelheden van ~6 MHz/PMT, wat hoger is dan de verwachte 4 MHz in SoLID.
• Toepassing van Deep Learning op drempel-Cherenkov detectoren: Het aantonen dat machine learning effectiever is voor patroonherkenning in drempel-detectoren dan traditionele likelihood-methoden of eenvoudige drempelwaarden (cuts).

4. Resultaten

• Hardware-prestaties: De tests toonden aan dat het systeem lineair blijft en een acceptabel gedrag van de 'pedestal' (ruisniveau) vertoont, zelfs bij hoge snelheden. De saturatiegrenzen zijn nauwkeurig in kaart gebracht voor verschillende voltages.
• PID-efficiëntie:
  • De traditionele NPE-cut methode was onvoldoende, met een efficiëntie van slechts 50–60% bij een gebalanceerde keuze.
  • De PMT-only AIML-methode presteerde beter, maar bereikte de doelstellingen niet altijd bij lage momentumwaarden.
  • De Quad- en Pixel-readout met AIML overtroffen de doelstellingen ruimschoots, met pion- en kaon-efficiënties van boven de 90% voor vrijwel alle geteste kinematische scenario's.
• Robuustheid: De AUC-ROC waarden (een maatstaf voor classificatienauwkeurigheid) waren zeer hoog, wat duidt op een uitstekend vermogen om pionen van kaonen te onderscheiden, zelfs bij hoge achtergrond.

5. Betekenis

Dit werk bewijst dat de combinatie van geavanceerde, snelle analoge elektronica en kunstmatige intelligentie een praktische en robuuste oplossing biedt voor de uitdagingen van de volgende generatie hogenergetische natuurkunde-experimenten. Het stelt de SoLID-detectoren in staat om met hoge precisie deeltjes te identificeren in de extreem "luidruchtige" omgeving van de Jefferson Lab, wat essentieel is voor het begrijpen van de fundamentele bouwstenen van materie.