Neural network-based timewalk correction for the Timepix4 ASIC
本文介绍了一种用于校正 Timepix4 混合像素探测器时间行走（timewalk）的紧凑型前馈神经网络，该网络通过仅使用 20% 的校准数据即可达到与传统启发式拟合相当的时间分辨率，同时消除了对显式函数假设或分箱方案的需求。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在高能粒子物理学的世界里，科学家们建造巨大的机器，让原子相互碰撞并研究产生的碎片。为了从每秒发生的数十亿次碰撞中理出头绪，他们依赖探测器充当超高速相机，在带电粒子飞掠时捕捉它们的影像。几十年来，这些“相机”在记录粒子经过的位置方面表现出色，但在记录精确时间方面却一直面临挑战。为这些探测器增加精确的计时功能是下一个伟大的前沿领域，它能让研究人员从混乱且重叠的碰撞堆中进行分类，从而看清真实的事件序列。然而，获得完美的时刻戳非常困难，因为读取信号的电子设备并非完全统一。当粒子撞击传感器时，会产生电荷。电荷越大，电子设备记录到撞击的速度就越快。这意味着，即使粒子在同一时刻撞击，强信号也会比弱信号稍早到达。这种被称为“时间行走”（timewalk）的延迟是一个必须被修正的干扰因素，以实现未来实验所需的精度。
为了解决这个问题，来自牛津大学、Nikhef 和欧洲核子研究中心（CERN）的研究人员开发了一种利用人工智能校准这些探测器的新方法。他们将这种方法应用于一种名为 Timepix4 的特定芯片，这是一种旨在以惊人速度追踪粒子的微型传感器网格。团队将他们的新方法与该领域使用的标准方法进行了对比。传统的纠正时间延迟的方法涉及创建一个复杂的映射图。科学家们获取海量数据，将传感器表面划分为微小的方格，并在每个方格中拟合一条特定的数学曲线。如果数据充足，这种方法效果很好，但如果数据稀疏或分布不均，过程就会变得缓慢且脆弱。如果地图上的某个方格没有足够的撞击次数，校准就会失败，从而留下数据空白。
研究人员提议用一种紧凑的神经网络来取代这种僵化的、基于地图的系统，神经网络是一种旨在从数据中学习模式的计算机程序。神经网络不再强行将数据塞进预定义的框中并拟合曲线，而是观察原始信息——电荷的大小以及粒子撞击传感器的精确位置——并直接学习其中的关系。这就像教学生通过展示数千个例子来识别一张脸，而不是给他们一份需要测量的特征清单。团队使用 2025 年从 CERN 的 SPS 加速器粒子束中收集的数据训练了这个网络。他们针对两种不同厚度的传感器（一个测量 100 微米，另一个测量 300 微米）测试了系统，以观察网络如何适应不同的物理条件。
结果显示，神经网络不仅准确，而且比传统方法高效得多。当研究人员拥有大量校准数据时，两种方法表现相当，在较薄的传感器上达到了 180 皮秒的计时精度，在较厚的传感器上达到了 300 皮秒。皮秒是万亿分之一秒，在这个时间尺度内，光只能移动不到一毫米的距离。然而，神经网络真正的优势出现在可用数据有限的情况下。在现实世界中，如果粒子束较弱或较小，收集海量校准数据可能会很困难。传统方法在这些条件下表现挣扎，需要每个传感器像素有数百次撞击才能产生可靠的校准。相比之下，神经网络仅需约 20% 的数据就能达到同样的高水平精度。
此外，神经网络从未出现无法提供答案的情况。依赖于填充特定数据箱（bins）的传统方法，如果传感器的特定区域没有足够的撞击次数，就会直接停止工作，导致这些测量值无法得到校准。而神经网络由于学习到了连续的模式，可以为每一次撞击提供校准，无论可用数据多么稀少。这意味着对于数据匮乏的实验，新方法实现相同性能的速度比旧方法快五倍。这项研究证实，机器学习可以取代复杂的、人工的校准程序，转而使用一个更稳健、更灵活的系统，为下一代粒子探测器实现更精确的计时铺平道路，且无需进行大规模的数据收集活动。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。