論文の概要: Machine Learning-Based Reconstruction for Resistive Silicon Sensors

• arxiv url: http://arxiv.org/abs/2607.11585v1
• Date: Mon, 13 Jul 2026 14:03:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 17:47:21.49854
• Title: Machine Learning-Based Reconstruction for Resistive Silicon Sensors
• Title（参考訳）: 機械学習による抵抗型シリコンセンサの再構成
• Authors: Alexander Aoki, Gaetano Barone, Leena Diehl, Gabriele Giacomini, Vagelis Gkougkousis, Hanshal Goyal, Rohan Kher, Daniel Li, Anna Macchiolo, Yevhenii Padnuik, Daria Senina, Samantha Sunnarborg, Jessica Tang, Alessandro Tricoli, Lixing Wang, Don C. Wong,
• Abstract要約: 抵抗型シリコンセンサの機械学習による再構成と圧縮について検討した。 相関パッドからのフルウェーブフォーム情報を用いて、再構成を規則化し、空間情報を抽出する。 まず、LSTM層に基づくリカレントニューラルネットワークモデルを紹介し、フルウェーブフォーム再構成のための概念実証実装を提供する。
• 参考スコア（独自算出の注目度）: 53.365453214937496
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Low-Gain Avalanche Diodes (LGADs) and AC-coupled Low-Gain Avalanche Diodes (AC-LGADs) are promising technologies for precision timing and four-dimensional tracking. In AC-LGADs, the AC pad is coupled to the resistive n$^{+}$ layer through a dielectric layer, while the gain layer remains unsegmented. This structure provides a 100\% fill factor and enables good spatial resolution with a relaxed readout pitch. The same signal-sharing mechanism that makes interpolation possible complicates the readout: charge spreads across multiple pads, the useful information can approach the electronic-noise threshold, and matrix-inversion approaches can become computationally challenging and sensitive to off-diagonal noise. In this work, we study machine-learning-based reconstruction and compression for resistive silicon sensors. We use full-waveform information from correlated pads to regularise the reconstruction and extract spatial information beyond what is available from binary readouts or reduced-amplitude summaries. We first introduce recurrent neural network models based on LSTM layers, which provide a proof-of-concept implementation for full-waveform reconstruction and have been tested for FPGA deployment using \hls. We also study routes towards bandwidth reduction with waveform rasterisation and window-selection methods, and extend the approach beyond the first model to topology-agnostic transformer-based architectures that use pad coordinates as part of the input. These models are designed to support arbitrary pad counts and geometries, mitigate edge distortions, preserve approximately $10~μ\mathrm{m}$ position resolution for $500~μ\mathrm{m}\times500~μ\mathrm{m}$ pitched sensors, and guide future resistive-silicon sensor designs
• Abstract（参考訳）: 低ゲインアバランシュダイオード(LGAD)とAC結合低ゲインアバランシュダイオード(AC-LGAD)は、高精度タイミングと4次元トラッキングのための有望な技術である。 AC-LGADでは、交流パッドは誘電体層を介して抵抗n$^{+}$層に結合されるが、ゲイン層は非セグメンテーションのままである。 この構造は100\%の充填係数を提供し、緩和された読み出しピッチで良好な空間分解能を実現する。 補間を可能にする同じ信号共有機構が読み出しを複雑にする: 電荷は複数のパッドに分散し、有用な情報は電子ノイズ閾値に近づき、行列反転アプローチは計算的に困難になり、対角外ノイズに敏感になる。 本研究では,抵抗型シリコンセンサの機械学習による再構成と圧縮について検討する。 相関パッドからのフルウェーブフォーム情報を用いて、リコンストラクションを規則化し、バイナリ・リードアウトや縮小振幅・サマリーから利用できる範囲を超えて空間情報を抽出する。 まず、LSTM層に基づくリカレントニューラルネットワークモデルを導入し、フルウェーブフォーム再構成のための概念実証実装を提供し、 \hls を用いたFPGAの展開試験を行った。 また、波形ラスタ化とウィンドウ選択による帯域幅削減の道筋について検討し、入力の一部としてパッド座標を用いるトポロジーに依存しないトランスフォーマーアーキテクチャへのアプローチを第1モデルを超えて拡張する。 これらのモデルは、任意のパッド数とジオメトリをサポートし、エッジ歪みを緩和し、500〜μ\mathrm{m}\times500~μ\mathrm{m}$位置分解能を約10〜μ\mathrm{m}$位置に保持し、将来の抵抗シリコンセンサーの設計を導くように設計されている。

関連論文リスト

• Buffer-Parameterized Machine Learning Surrogate Models for Cross-Technology Signal Integrity Analysis and Optimization [0.0]
  プリント基板間の信号整合性(SI)解析は複雑化に直面している。 既存の機械学習(ML)サロゲートモデルによるSIメトリクスの予測は、固定バッファパラメータに依存する。 本稿では,バッファパラメータ化MLサロゲートモデリング手法を提案する。
  論文  参考訳（メタデータ） (2026-05-18T10:12:57Z)
• Hardware-Software Co-Design of Scalable, Energy-Efficient Analog Recurrent Computations [1.1023117530294009]
  環境センサーからバイオメディカルインプラントまで、常にAIアプリケーションは、超低消費電力を必要とする。 アナログ回路はサブマイクロワット推論の経路を提供するが、既存のアナログ実装はフィードフォワードアーキテクチャに限られている。 この障壁は、ハードウェアとソフトウェアの共同設計によって克服可能であることを実証する。
  論文  参考訳（メタデータ） (2026-05-12T09:44:32Z)
• A Fast and Energy-Efficient Latch-Based Memristive Analog Content-Addressable Memory [0.03262230127283451]
  静電圧分割を動的電流レースコンパレータに置き換える強腕ラッチ・メムリスタ (SALM) aCAM セルを導入する。 6T2Mと比較して、SALMは6T2Mが大きな配列にスケーリングできないようなゲインとクロストークの制限をなくしながら、同じレイテンシで読み取りエネルギーを33%削減する。
  論文  参考訳（メタデータ） (2026-05-12T09:30:24Z)
• Physical Analog Kolmogorov-Arnold Networks based on Reconfigurable Nonlinear-Processing Units [0.0]
  Kolmogorov-Arnold Networks (KAN) はニューラルネットワークを線形層から学習可能な非線形エッジ関数にシフトする。 ここでは、再構成可能な非線形処理ユニット(RNPU)を用いて、マテリアでエッジ関数が実現される物理アナログkanアーキテクチャを紹介する。 我々は,プログラム可能な非線形変換を用いたコンパクトな感性回帰と分類を可能にする,現実的なシステムレベルのハードウェア実装を確立する。
  論文  参考訳（メタデータ） (2026-02-07T12:33:11Z)
• Joint Transmit and Pinching Beamforming for Pinching Antenna Systems (PASS): Optimization-Based or Learning-Based? [89.05848771674773]
  MISO (Multiple-input Single-output) フレームワークを提案する。 それは複数の導波路で構成されており、多数の低コストアンテナ(PA)を備えている。 PAの位置は、大規模パスと空間の両方にまたがるように再構成することができる。
  論文  参考訳（メタデータ） (2025-02-12T18:54:10Z)
• Physics-informed compressed sensing for PC-MRI: an inverse Navier-Stokes problem [78.20667552233989]
  我々は、ノイズやスパース磁気共鳴信号から速度場を復元するための物理インフォームド圧縮センシング(PICS)法を定式化する。 本手法は, 疎サンプリング信号から速度場を再構成し, セグメンテーションすることができる。
  論文  参考訳（メタデータ） (2022-07-04T14:51:59Z)
• Deep Neural Networks are Surprisingly Reversible: A Baseline for Zero-Shot Inversion [90.65667807498086]
  本稿では、内部表現のみを与えられたトレーニングモデルへの入力を復元するゼロショット直接モデル逆変換フレームワークを提案する。 ImageNetの最新の分類モデルでは、20層以上の表現から元の224x224px画像を近似的に復元できることを実証的に示す。
  論文  参考訳（メタデータ） (2021-07-13T18:01:43Z)
• Self Sparse Generative Adversarial Networks [73.590634413751]
  GAN(Generative Adversarial Networks)は、敵対的トレーニングを通じてデータ分布を学習する監視されていない生成モデルである。 本論文では,パラメータ空間を小さくし,ゼロ勾配問題を軽減するSelf Sparse Generative Adversarial Network (Self-Sparse GAN)を提案する。
  論文  参考訳（メタデータ） (2021-01-26T04:49:12Z)

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。