Pulse-shape discrimination with machine learning for CZT detectors at the DANE beam test facility
Deze studie toont aan dat een op machine learning gebaseerde methode voor pulsvormdiscriminatie met behulp van een XGBoost-classifier effectief nominale fotonsignalen kan onderscheiden van anomalieën in CZT-detectoren onder hoge flux-condities bij de DANE-faciliteit, wat de spectroscopische prestaties significant verbetert met een hoge nauwkeurigheid en minimale trainingsdata.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
In de wereld van de kern- en deeltjeskunde moeten wetenschappers vaak luisteren naar het universum door minuscule flitsen van licht of energie te detecteren die vrijkomen wanneer atomen interageren. Om dit te doen, gebruiken ze detectoren die fungeren als zeer gevoelige oren, die signalen van röntgenstraling en gammastraling opvangen. Decennialang is een specifiek type detector gemaakt van een kristal genaamd cadmium-zink-telluride geprezen omdat deze bij kamertemperatuur kan werken zonder dat er omvangrijke, dure koelsystemen nodig zijn. Deze detectoren zijn uitstekend in het meten van de energie van inkomende deeltjes, wat onderzoekers in staat stelt om exact te identificeren wat voor soort atomen aanwezig zijn. Echter, deze detectoren worden geconfronteerd met een aanzienlijke uitdaging wanneer ze nabij krachtige deeltjesversnellers worden geplaatst. De intense omgeving creëert een chaotische achtergrond van ruis en valse signalen die de zwakke, belangrijke boodschappen die de wetenschappers proberen te horen, kunnen overstemmen. De signalen van ongewenste gebeurtenissen zien er vaak zeer vergelijkbaar uit met de echte signalen, wat het moeilijk maakt om ze met standaardmethoden van elkaar te onderscheiden.
Een team van onderzoekers heeft onlangs dit probleem aangepakt door een computer te leren om nauwkeuriger naar de vorm van de signalen te luisteren, in plaats van alleen naar hun luidheid. Ze zetten een test op bij een faciliteit in Italië waar een elektronenbundel op een looddoel werd afgevuurd. Deze botsing produceerde een mix van nuttige röntgenstraling van de loodatomen en een rommelige achtergrond van andere deeltjes en energiepieken. De onderzoekers registreerden de elektrische golven die werden gegenereerd door een detector die nabij het doel werd geplaatst. Ze merkten op dat de golven afkomstig van de gewenste röntgenstraling een gladde, voorspelbare vorm hadden, waarbij ze gestaag naar een piek stegen en daarna weer tot rust kwamen. In tegen plaats waren de golven van de achtergrondruis grillig, onregelmatig of bevatten ze meerdere bulten, vaak veroorzaakt door deeltjes die tegelijkertijd de detector raken of door elektronische storingen.
Om de goede signalen van de slechte te scheiden, gebruikte het team een machine learning-tool genaamd XGBoost, een type algoritme dat ontworpen is om patronen in complexe data te vinden. Ze toonden de computer eerst duizenden voorbeelden van deze golven, waarbij ze deze handmatig labelden als ofwel "normaal" (de goede röntgenstraling) of "anomaal" (de ruis). De computer leerde te kijken naar specifieke details in de vorm van de golf, zoals hoe snel deze steeg, hoeveel bulten deze had en hoe breed de energie over de tijd verspreid was. Na het trainen op slechts een paar honderd voorbeelden, werd de computer zeer goed in de taak en bereikte uiteindelijk een nauwkeurigheid van bijna 97 procent bij het testen op nieuwe data. Het leerde de rommelige, meerbultige golven te negeren terwijl het de schone, enkelvoudige golven die de wetenschappelijke informatie bevatten, behield.
Toen de onderzoekers dit getrainde computermodel toepasten op een enorme dataset van meer dan 700.000 geregistreerde gebeurtenissen, waren de resultaten opmerkelijk. Het model filterde bijna de helft van de totale data succesvol weg, waardoor het overgrote deel van de achtergrondruis werd verwijderd. Wat overbleef was een veel helderder beeld van het energiespectrum. De karakteristieke lijnen van lood-röntgenstraling, die het primaire doel van het experiment zijn, bleven helder en duidelijk. Zelfs het duidelijke signaal van elektron-positron-annihilatie, een specifieke gebeurtenis die plaatsvindt op een hoger energieniveau, werd veel gemakkelijker zichtbaar tegen de verminderde achtergrond. De dubbele en driedubbele pieken veroorzaakt door deeltjes die de detector gelijktijdig raken, werden bijna volledig verwijderd, wat bewees dat de computer had geleerd de complexe handtekeningen van deze ongewenste gebeurtenissen te herkennen.
Dit werk demonstreert dat machine learning kan fungeren als een krachtig filter voor detectoren die opereren in de zware omgevingen van deeltjesversnellers. Door zich te concentreren op de gedetailleerde vorm van de elektrische signalen, kunnen wetenschappers nu heldere data terugwinnen uit experimenten die anders door ruis zouden worden vertroebeld. De studie suggereert dat deze computermodellen, met slechts een kleine hoeveelheid aanvankelijke menselijke begeleiding, getraind kunnen worden om de kwaliteit van spectroscopie aanzienlijk te verbeteren. Hoewel de onderzoekers opmerken dat verdere tests nodig zijn om te waarborgen dat de methode werkt onder verschillende omstandigheden en bij verschillende detectoropstellingen, bieden de resultaten een sterk bewijs van het concept. Ze tonen aan dat de toekomst van hoogprecisie-metingen in drukke acceleratoromgevingen mogelijk minder zal afhangen van het bouwen van betere hardware en meer van het leren van software om de subtiele taal van deeltjesinteracties te begrijpen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.