利用深度神经网络提高快速采样粒子定时探测器的精度
仪器与探测器
2024-03-19 v1 人工智能
摘要
粒子定时探测器的测量常常受到由穿过粒子的电荷沉积的统计波动引起的时间游走效应的影响。恒比定时甄别器(CFD)算法常用于减轻这种效应，无论是在测试装置中还是在运行中的实验中，例如CERN LHC的CMS-PPS系统。CFD简单有效，但并未利用时间序列中的所有电压样本。其性能可以通过深度神经网络得到提升，深度神经网络常用于时间序列分析，包括计算粒子到达时间。我们使用在DESY-II同步加速器测试束流设施中获取的数据评估了各种神经网络架构，该设施除了PPS金刚石定时探测器外还安装了一个精确的MCP（微通道板）探测器。MCP测量结果被用作参考来训练网络，并与标准CFD方法进行比较。最终，根据探测器的读出通道，我们将定时精度提高了8%到23%。最佳结果来自基于UNet的模型，其性能优于经典卷积网络和多层感知器。
引用
@article{arxiv.2312.05883,
title = {Using deep neural networks to improve the precision of fast-sampled particle timing detectors},
author = {Mateusz Kocot and Krzysztof Misan and Valentina Avati and Edoardo Bossini and Leszek Grzanka and Nicola Minafra},
journal= {arXiv preprint arXiv:2312.05883},
year = {2024}
}
备注
The paper has been accepted for publication in Computer Science journal: http://journals.agh.edu.pl/csci