用于高能粒子探测器的变分自编码器中的源数据压缩与异常检测
数据分析、统计与概率
2025-08-18 v2 高能物理 - 实验
仪器与探测器
摘要
下一代高能物理实验中的探测器面临诸多挑战性要求，如高数据速率、剧烈的辐射暴露以及对功耗、空间和延迟的严格限制。为此可利用 readout 电子中的机器学习进行智能探测器设计，实现源头的数据压缩和智能推断。变分自编码器（VAE）为前端读出提供了多种优势；在传感器上进行编码可实现高效的有损数据压缩，同时提供用于异常检测的潜在空间表示。本文展示了面向未来硅像素探测器的低延迟和资源高效 VAE 的前端数据处理结果。编码器进行的数据压缩在保持卓越的 off-detector 分析性能方面发挥了重要作用，同时显著降低了与相似规模数据筛选方法相比的 off-detector 数据速率。此外，潜在空间信息被发现是实时传感器缺陷监控中有用的判别器。这些结果突显了基于自编码器的前端读出方案的多重用途，动机其在未来探测器设计中受到考虑。
引用
@article{arxiv.2411.01118,
title = {Variational Autoencoders for At-Source Data Reduction and Anomaly Detection in High Energy Particle Detectors},
author = {Alexander Yue and Haoyi Jia and Julia Gonski},
journal= {arXiv preprint arXiv:2411.01118},
year = {2025}
}
备注
14 pages, 5 figures