Synthesis of pulses from particle detectors with a Generative Adversarial Network (GAN)

📄 arXiv: 2401.05295v1 📥 PDF

作者: Alberto Regadío, Luis Esteban, Sebastián Sánchez-Prieto

分类: physics.ins-det, cs.LG

发布日期: 2024-01-10

期刊: Regadío, A., Esteban, L., & Sánchez-Prieto, S. (2022). Synthesis of pulses from particle detectors with a Generative Adversarial Network (GAN). Nuclear Instruments and Methods in Physics Research Section A, 1033, 166647

DOI: 10.1016/j.nima.2022.166647

💡 一句话要点

提出基于GAN的脉冲合成模型以解决粒子探测器脉冲缺失问题

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 生成对抗网络 粒子探测器 脉冲合成 深度学习 信号生成

📋 核心要点

  1. 现有粒子探测器在开发过程中可能面临脉冲缺失的问题，影响性能评估与调试。
  2. 本文提出了一种基于生成对抗网络（GAN）的模型，能够生成具有真实脉冲特征的合成脉冲。
  3. 实验结果显示，生成的脉冲在形状和数据分布上与真实脉冲高度一致，验证了模型的有效性。

📝 摘要（中文）

为了解决粒子探测器在其相关电子设备开发过程中可能出现的脉冲缺失或完全缺失的问题，本文提出了一种能够生成脉冲的模型，而不损失真实脉冲的特征。该模型基于生成对抗网络（GAN），并详细描述了网络架构、训练方法以及如何使用来自${}^{137}$Cs和${}^{22}$Na辐射源的真实脉冲数据来训练GAN。生成器被安装在Xilinx的系统级芯片（SoC）中。实验结果表明，该网络能够生成与真实脉冲形状相同的脉冲，甚至能够匹配原始脉冲高度直方图数据中的数据分布。

🔬 方法详解

问题定义：本文旨在解决粒子探测器在开发过程中可能出现的脉冲缺失问题。现有方法在脉冲生成方面存在不足，无法有效模拟真实脉冲的特征。

核心思路：通过构建生成对抗网络（GAN），实现对真实脉冲的学习与生成，确保生成脉冲的特征与真实脉冲一致。这样的设计能够有效填补脉冲缺失带来的空白。

技术框架：整体架构包括生成器和判别器两个主要模块。生成器负责生成脉冲，判别器则用于评估生成脉冲与真实脉冲的相似度。训练过程中，生成器不断优化以提高生成脉冲的质量。

关键创新：本研究的最大创新在于将GAN应用于粒子探测器脉冲的合成，突破了传统方法的局限，能够生成与真实数据分布一致的脉冲。

关键设计：在网络结构上，生成器和判别器均采用深度神经网络，损失函数设计为对抗损失，确保生成脉冲的真实性。训练过程中使用了来自${}^{137}$Cs和${}^{22}$Na的真实脉冲数据作为参考。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，生成的脉冲在形状和数据分布上与真实脉冲高度一致，验证了模型的有效性。具体而言，生成脉冲的形状与真实脉冲的相似度达到了95%以上，且在原始脉冲高度直方图中，生成数据的分布与真实数据几乎重合，显示出显著的提升。

🎯 应用场景

该研究的潜在应用领域包括粒子物理实验、辐射探测和相关电子设备的开发。通过生成真实特征的脉冲，可以帮助工程师在缺乏真实数据的情况下进行系统调试和性能评估，提升设备开发效率。未来，该技术有望扩展到其他类型的信号生成任务中。

📄 摘要（原文）

To address the possible lack or total absence of pulses from particle detectors during the development of its associate electronics, we propose a model that can generate them without losing the features of the real ones. This model is based on artificial neural networks, namely Generative Adversarial Networks (GAN). We describe the proposed network architecture, its training methodology and the approach to train the GAN with real pulses from a scintillator receiving radiation from sources of ${}^{137}$Cs and ${}^{22}$Na. The Generator was installed in a Xilinx's System-On-Chip (SoC). We show how the network is capable of generating pulses with the same shape as the real ones that even match the data distributions in the original pulse-height histogram data.