論文の概要: Label-free timing analysis of SiPM-based modularized detectors with
physics-constrained deep learning
- arxiv url: http://arxiv.org/abs/2304.11930v3
- Date: Tue, 22 Aug 2023 14:00:25 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-23 14:45:44.810844
- Title: Label-free timing analysis of SiPM-based modularized detectors with
physics-constrained deep learning
- Title（参考訳）: 物理制約深層学習によるsipmモジュール型検出器のラベルフリータイミング解析
- Authors: Pengcheng Ai, Le Xiao, Zhi Deng, Yi Wang, Xiangming Sun, Guangming
Huang, Dong Wang, Yulei Li, Xinchi Ran
- Abstract要約: モジュール化検出器のタイミング解析のためのディープラーニングに基づく新しい手法を提案する。
本稿では,提案手法が求める最適関数の存在を数学的に証明し,モデルのトレーニングと校正のための体系的アルゴリズムを提案する。
- 参考スコア（独自算出の注目度）: 9.234802409391111
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Pulse timing is an important topic in nuclear instrumentation, with
far-reaching applications from high energy physics to radiation imaging. While
high-speed analog-to-digital converters become more and more developed and
accessible, their potential uses and merits in nuclear detector signal
processing are still uncertain, partially due to associated timing algorithms
which are not fully understood and utilized. In this paper, we propose a novel
method based on deep learning for timing analysis of modularized detectors
without explicit needs of labelling event data. By taking advantage of the
intrinsic time correlations, a label-free loss function with a specially
designed regularizer is formed to supervise the training of neural networks
towards a meaningful and accurate mapping function. We mathematically
demonstrate the existence of the optimal function desired by the method, and
give a systematic algorithm for training and calibration of the model. The
proposed method is validated on two experimental datasets based on silicon
photomultipliers (SiPM) as main transducers. In the toy experiment, the neural
network model achieves the single-channel time resolution of 8.8 ps and
exhibits robustness against concept drift in the dataset. In the
electromagnetic calorimeter experiment, several neural network models (FC, CNN
and LSTM) are tested to show their conformance to the underlying physical
constraint and to judge their performance against traditional methods. In
total, the proposed method works well in either ideal or noisy experimental
condition and recovers the time information from waveform samples successfully
and precisely.
- Abstract（参考訳）: パルスタイミングは核実験において重要な話題であり、高エネルギー物理学から放射線イメージングまで幅広い応用がある。
高速アナログ-デジタルコンバータはますます発展し、アクセスしやすくなっているが、核検出器信号処理におけるその潜在的な用途とメリットは、部分的には十分に理解され、利用されていないタイミングアルゴリズムのため、まだ不明である。
本稿では,イベントデータのラベル付けを必要とせず,モジュール化検出器のタイミング解析を行うための深層学習に基づく新しい手法を提案する。
固有時間相関を利用して、特別に設計された正規化器を用いたラベルフリー損失関数を形成し、ニューラルネットワークの有意義かつ正確なマッピング関数へのトレーニングを監督する。
本手法が求める最適関数の存在を数学的に証明し,モデルの学習と校正のための体系的アルゴリズムを与える。
提案手法はシリコン光増倍器(sipm)を主トランスデューサとして2つの実験データセットで検証する。
玩具実験では、ニューラルネットワークモデルは8.8 psの単一チャネル時間分解能を達成し、データセットのコンセプトドリフトに対して堅牢性を示す。
電磁カロリメータ実験では、いくつかのニューラルネットワークモデル(fc、cnn、lstm)が基礎となる物理的制約への適合性を示し、従来の手法に対する性能を判定するためにテストされている。
総じて,提案手法は理想的あるいはうるさい実験条件において良好に動作し,波形サンプルからの時間情報を良好かつ正確に回収する。
関連論文リスト
- Physically Guided Deep Unsupervised Inversion for 1D Magnetotelluric Models [16.91835461818938]
我々は物理で導かれた新しいディープ・インバージョン・アルゴリズムを提案し、1Dマグネトロンモデル(MT)を推定する。
本手法では,コスト関数の最小化を物理的に導く,微分可能なモデリング演算子を用いる。
提案手法は, 異なる周波数でのフィールドデータと合成データを用いて検証し, 取得モデルが他の結果よりも精度が高いことを示す。
論文 参考訳（メタデータ） (2024-10-20T04:17:59Z) - Efficient representation learning of scintillation signal characteristics with spectrum-inspired temporal neural networks [1.124958340749622]
シンチレータを用いた核放射線検出器は、粒子・高エネルギー物理実験、核医学イメージング、産業・環境検出等に広く利用されている。
本稿では,従来の時系列解析に基づくシンチレーション信号のキャラクタリゼーションに適したネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2024-10-09T02:44:53Z) - Neuromorphic Split Computing with Wake-Up Radios: Architecture and Design via Digital Twinning [97.99077847606624]
本研究は,遠隔・無線接続型NPUからなる分割計算機システムに,覚醒無線機構を組み込んだ新しいアーキテクチャを提案する。
覚醒無線に基づくニューロモルフィックスプリットコンピューティングシステムの設計における重要な課題は、検知、覚醒信号検出、意思決定のためのしきい値の選択である。
論文 参考訳（メタデータ） (2024-04-02T10:19:04Z) - Physics-informed State-space Neural Networks for Transport Phenomena [0.0]
本研究は物理インフォームドステートスペースニューラルネットワークモデル(PSM)を紹介する。
PSMは、自律システムにおけるリアルタイム最適化、柔軟性、フォールトトレランスを達成するための新しいソリューションである。
PSMはデジタルツインの基盤として機能し、物理的システムのデジタル表現を常に更新する。
論文 参考訳（メタデータ） (2023-09-21T16:14:36Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳（メタデータ） (2023-04-08T07:55:36Z) - Deep learning for full-field ultrasonic characterization [7.120879473925905]
本研究では、最近の機械学習の進歩を活用して、物理に基づくデータ分析プラットフォームを構築する。
直接反転と物理インフォームドニューラルネットワーク(PINN)の2つの論理について検討した。
論文 参考訳（メタデータ） (2023-01-06T05:01:05Z) - Digital noise spectroscopy with a quantum sensor [57.53000001488777]
本稿では,ノイズプロセスの自己相関をサンプリングし,再構成するための量子センシングプロトコルを実験的に導入し,実証する。
ウォルシュノイズ分光法はスピンフリップパルスの単純な配列を利用してディジタルフィルタの完全基底を生成する。
ダイヤモンド中の単一窒素空孔中心の電子スピン上での核スピン浴により生じる有効磁場の自己相関関数を実験的に再構成した。
論文 参考訳（メタデータ） (2022-12-19T02:19:35Z) - DriPP: Driven Point Processes to Model Stimuli Induced Patterns in M/EEG
Signals [62.997667081978825]
我々はDriPPと呼ばれる新しい統計点過程モデルを開発する。
我々は、このモデルのパラメータを推定するために、高速で原理化された予測最大化(EM)アルゴリズムを導出する。
標準MEGデータセットの結果から,我々の手法が事象関連ニューラルレスポンスを明らかにすることが示された。
論文 参考訳（メタデータ） (2021-12-08T13:07:21Z) - Supervised Learning and the Finite-Temperature String Method for
Computing Committor Functions and Reaction Rates [0.0]
希少事象の計算研究における中心的な対象はコミッタ関数である。
アルゴリズムの精度を改善するために追加の修正が必要であることを示す。
論文 参考訳（メタデータ） (2021-07-28T17:44:00Z) - Real-time gravitational-wave science with neural posterior estimation [64.67121167063696]
ディープラーニングを用いた高速重力波パラメータ推定のための前例のない精度を示す。
LIGO-Virgo Gravitational-Wave Transient Catalogから8つの重力波事象を解析した。
標準推論符号と非常に密接な定量的な一致を見いだすが、推定時間がO(day)から1イベントあたり1分に短縮される。
論文 参考訳（メタデータ） (2021-06-23T18:00:05Z) - Rectified Linear Postsynaptic Potential Function for Backpropagation in
Deep Spiking Neural Networks [55.0627904986664]
スパイキングニューラルネットワーク(SNN)は、時間的スパイクパターンを用いて情報を表現し、伝達する。
本稿では,情報符号化,シナプス可塑性,意思決定におけるスパイクタイミングダイナミクスの寄与について検討し,将来のDeepSNNやニューロモルフィックハードウェアシステムの設計への新たな視点を提供する。
論文 参考訳（メタデータ） (2020-03-26T11:13:07Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。