Self-Supervised Calibration of Scientific Instruments Using Physical Consistency Constraints

Technische Samenvatting: Zelfgestuurde Kalibratie van Wetenschappelijke Instrumenten met behulp van Fysische Consistentie-restricties

Probleemstelling
De inzet van machine learning in wetenschappelijke instrumentatie wordt frequent gehinderd door de kalibratie-bottleneck. Conventionele kalibratieprocedures zijn door experts gestuurd, experiment-specifiek en afhankelijk van specifieke metingen of handmatig gelabelde data. Dit creëert een circulaire afhankelijkheid: het genereren van gelabelde trainingsdata vereist vaak een benaderende kalibratie, terwijl supervised learning juist probeert die te vervangen. Bijgevolg lijden bestaande AI-benaderingen aan beperkte schaalbaarheid, verminderde reproduceerbaarheid en een slecht aanpassingsvermogen aan evoluerende experimentele condities (bijv. gain-drifts, drukvariaties of detectorveroudering). De auteurs identificeren een kritieke kloof: het onvermogen van huidige systemen om latente kalibratieparameters direct uit ruwe metingen af te leiden zonder vooraf gekalibreerde signalen of externe labels.

Methodologie
Het artikel stelt een natuurkundig geïnformeerd zelfgesuperviseerd framework voor dat latent detector-kalibratieparameters en taakspecifieke voorspellingen gezamenlijk leert. De methode wordt gedemonstreerd op de VAMOS++ magnetische spectrometer bij GANIL, specifiek voor de bepaling van de ionische ladingstoestand ($q$), wat essentieel is voor de reconstructie van de atomaire massa ($A$).

De kernmethodologie bestaat uit de volgende componenten:

1. Gezamenlijke Inferentie-formulering: Het probleem wordt geformuleerd als het schatten van een doelgrootheid $y = f(\mathbf{x}, \mathbf{c})$, waarbij $\mathbf{x}$ de ruwe detectorsignalen vertegenwoordigt en $\mathbf{c}$ de onbekende kalibratiecoëfficiënten zijn. Zowel $\mathbf{c}$ als $y$ worden gelijktijdig geleerd.
2. Fysische Consistentie-restricties: Het framework maakt gebruik van de discrete aard van atomaire massa's als een bron van zelf-supervisie. Hoewel de massa-ladingverhouding ($A/q$) en de Lorentz-factor ($\gamma$) gemeten worden, wordt de totale kinetische energie ($E_{tot}$) afgeleid uit een gesegmenteerde ionisatiekamer. De relatie $q = E_{tot} / [u(\gamma-1)(A/q)]$ koppelt deze variabelen. Omdat atomaire massagetallen gehele getallen zijn, moet de gereconstrueerde massa $A$ clusteren rond gehele waarden.
3. Iteratieve Fractionele Pseudo-labelling:
   • Initialisatie: Een "warm-up" fase gebruikt een zwakke prior op de gemiddelde ionische ladingstoestand ($\bar{q}$) om kalibratiecoëfficiënten te initialiseren binnen een fysisch plausibele regio.
   • Generatie van Pseudo-labels: Het model voorspelt een ladingstoestand, waarna kandidaat-integer correcties ($\Delta q$) worden geëvalueerd. De optimale correctie wordt geselecteerd om de Root-Mean-Square-Deviation (RMSD) tussen de gereconstrueerde massa en het dichtstbijzijnde gehele getal te minimaliseren.
   • Trainingslus: Events die voldoen aan een consistentiedrempel ($||q_{label} - \lfloor q_{label} + 0.5 \rfloor|| < 0.4$) krijgen pseudo-labels toegewezen. Cruciaal is dat na elke pseudo-labelling cyclus alle netwerkgewichten opnieuw worden geïnitialiseerd. Dit voorkomt dat het model vroege, potentieel onnauwkeurige pseudo-labels in zijn gewichten vastlegt (bevestigingsvooroordeel/confirmation bias), waardoor wordt gegarandeerd dat alleen de bijgewerkte labels de volgende optimalisatiestap aansturen.
4. Parametrisatie: Kalibratiecoëfficiënten worden beperkt tot vooraf gedefinieerde intervallen met behulp van een sigmoidfunctie om fysisch betekenisvolle oplossingen te waarborgen.

Belangrijkste Bijdragen
De auteurs schetsen vier primaire bijdragen:

1. Het formuleren van detector-kalibratie als een natuurkundig geïnformeerd zelfgesuperviseerd leerprobleem.
2. Het introduceren van een iteratief framework voor fractionele pseudo-labelling dat zowel latente kalibratieparameters als taakvoorspellingen gezamenlijk uit ruwe data schat.
3. Het demonstreren dat fysische consistentie-restricties (specifiek discrete atomaire massa's) direct kalibratieparameters kunnen afleiden zonder externe labels.
4. Het vestigen van een pad naar intelligente instrumentatie door kalibratie, analyse en detectordiagnostiek te integreren in een verenigd framework.

Experimentele Resultaten
Het framework werd geëvalueerd op een dataset van $1 \times 10^7$ events van VAMOS++:

• Convergentie: Het systeem bereikte stabiele convergentie binnen ongeveer 6 minuten. De uiteindelijke ladingstoestand-resolutie (RMSD($q$)) bereikte 0.198, wat nauw aansluit bij de 0.177 behaald door een gespecialiseerd, volledig supervised netwerk dat expliciet rekening houdt met gelokaliseerde detectoronvolkomenheden.
• Massa-resolutie: De atomaire massa-resolutie (RMSD($A$)) stabiliseerde op 0.23.
• Robuustheid: Het model convergeerde naar dezelfde oplossing ongeacht de initiële zwakke prior (getest met $\bar{q}=36, 39, 42$), wat aangeeft dat de fysische restricties, en niet de initialisatie, de kalibratie aansturen.
• Labelkwaliteit: De ladingstoestand-distributie gegenereerd door de zelfgesuperviseerde methode (FWHM 1.1%–1.3%) is bijna identiek aan die van het gespecialiseerde supervised netwerk (FWHM 1.0%–1.2%).
• Monitoring van de Detectorstatus: De afgeleide kalibratiecoëfficiënten dienden als observabelen voor de gezondheid van de detector. De methode identificeerde succesvol ruimtelijke onvolkomenheden (correlatie met venstersteun-draden) en temporele driften (gain-variaties over 12-uur intervallen).
• Downstream Toepassing: Door gebruik te maken van de zelfgesuperviseerde coëfficiënten toonde de resulterende energieverlies versus residuele energie plot goed gescheiden banden voor verschillende atoomnummers ($Z$), wat autonome deeltjesidentificatie mogelijk maakte.

Betekenis en Claims
Het artikel beweert een algemeen paradigma te hebben gevestigd voor zelf-kalibrerende en zelf-monitorende wetenschappelijke instrumenten. Door kalibratie niet als een vereiste maar als een leerbaar onderdeel te behandelen dat wordt begrensd door natuurwetten, elimineert deze benadering de afhankelijkheid van vooraf gekalibreerde signalen. De auteurs stellen dat dit een stap is naar "intelligente instrumentatie", waarbij instrumenten autonoom kalibratie, analyse en prestatieoptimalisatie kunnen uitvoeren.

De betekenis ligt in het transformeren van kalibratieparameters van tussenliggende grootheden naar "detector-state observabelen" die de gezondheid van het instrument karakteriseren (bijv. veroudering, drukfluctuaties). Hoewel gedemonstreerd op een kernfysica-detector, stellen de auteurs dat het framework toepasbaar is op elk wetenschappelijk instrument waar kalibratieparameters latente variabelen zijn en fysische consistentie-restricties (zoals behoudswetten of discrete kwantumgetallen) beschikbaar zijn. Het werk positioneert zich als een oplossing voor de circulaire afhankelijkheid tussen kalibratie en inferentie, wat de schaalbare en reproduceerbare inzet van AI in wetenschappelijke experimenten mogelijk maakt.