基于物理的机器学习模型用于三维表征室温半导体探测器
信号处理
2023-11-07 v1
摘要
用于 X 射线和伽马射线探测的室温半导体辐射探测器(RTSD)是医学成像、天体物理和其他应用的重要工具。三十多年来,CdZnTe(CZT)因其理想的探测特性一直是主要的 RTSD。在典型的像素化配置中,CZT 在相对两端具有电极。对于亚像素级的先进事件重建算法,需要在三维(3D)空间中对 RTSD 进行详细表征。然而,在亚像素尺度下对材料缺陷和电荷传输特性进行 3D 表征是一个劳动密集型过程,需要熟练人力和新颖的实验装置。目前,最先进的表征是在考虑均匀特性的 RTSD 整体上进行的。在本文中,我们提出了一种新颖的基于物理的机器学习(PBML)模型,用于表征假定的离散化亚像素化 3D 体积上的 RTSD。我们的新方法首次表征了 RTSD 的完整 3D 电荷传输模型。在这项工作中,我们首先在 3D 空间 x、y 和 z 中对像素化电极间的 RTSD 进行空间离散化。所得的离散化单元称为 3D 空间中的体素。在每个体素中,不同的基于物理的电荷传输特性(如电荷的漂移、俘获、去俘获和复合)被建模为可训练的模型权重。电荷的漂移考虑了 RTSD 实践中观察到的二阶非线性运动。基于作为 PBML 模型输入的电离电子-空穴对注入,以及作为模型输出的电极处信号、自由和俘获电荷(电子和空穴),PBML 模型通过反向传播损失函数来确定可训练权重。模型的训练权重与体素化探测器中实际物理电荷传输特性具有一一对应关系。
引用
@article{arxiv.2311.02290,
title = {A Physics based Machine Learning Model to characterize Room Temperature Semiconductor Detectors in 3D},
author = {Srutarshi Banerjee and Miesher Rodrigues and Manuel Ballester and Alexander H. Vija and Aggelos K. Katsaggelos},
journal= {arXiv preprint arXiv:2311.02290},
year = {2023}
}