[論文レビュー] Pulse Shape Discrimination and Exploration of Scintillation Signals Using Convolutional Neural Networks

Jack Griffiths, Steven Kleinegesse+3 more|arXiv (Cornell University)|Jul 18, 2018

Nuclear Physics and Applications被引用数 8

ひとこと要約

本稿では、6LiF:ZnS(Ag)/PVTシンチレーター検出器からの生のSiPM信号を用いて中性子・ガンマ線のパルス波形識別を行うための畳み込みニューラルネットワーク（CNN）を提案する。この手法は、デジタル化された波形から直接解釈可能な特徴を学習することで、AUC 0.995 ± 0.003を達成し、従来の電荷積分法や連続ウェーブレット変換法を上回る性能を示し、学習済み表現のt-SNE可視化によりデータに隠された部分構造を明らかにした。

ABSTRACT

Abstract We demonstrate the use of a convolutional neural network to perform neutron-gamma pulse shape discrimination, where the only inputs to the network are the raw digitised silicon photomultiplier signals from a dual scintillator detector element made of ⁶Li F:ZnS(Ag) scintillator and PVT plastic. A realistic labelled dataset was created to train the network by exposing the detector to an AmBe source, and a data-driven method utilising a separate photomultiplier tube was used to assign labels to the recorded signals. This approach is compared to the charge integration and continuous wavelet transform methods and a simpler artificial neural net. It is found to provide superior levels of discrimination, achieving an area under the curve of 0.996 ± 0.003. We find that the neural network is capable of extracting interpretable features directly from the raw data. In addition, by visualising the high-dimensional representations of the network with the t-SNE algorithm, we discover that not only is this method robust to minor mislabeling of the training dataset but that it is possible to identify an underlying substructure within the signals that goes beyond the original labelling. This technique could be utilised to explore and cluster complex, raw detector data in a novel way that may reveal more insights than standard analysis methods.

研究の動機と目的

• 生のSiPM波形を用いたデータ駆動型パルス波形識別手法の開発。
• 電荷積分法や連続ウェーブレット変換といった従来手法を超える識別性能の向上。
• CNNが生のシンチレーション信号から解釈可能な物理的意味を持つ特徴を学習できるかの検証。
• 高次元表現の可視化を用いてシンチレーションデータに隠れた部分構造の解明。
• トレーニングデータにおけるわずかなラベル誤りに対するCNNのロバストネスの評価。

提案手法

• AmBe源を用い、信頼性の高いラベル付けが可能なPMTを用いて、6LiF:ZnS(Ag)およびPVTシンチレイター信号の実際のラベル付きデータセットを収集した。
• 信号は100 MS/sで14ビットのCAEN VX1724デジタイザでデジタル化され、PMT波形のTOT-MPAしきい値処理によりラベル付けされた。
• 1次元畳み込みニューラルネットワークを、生のSiPM波形を入力として、電子シンチレーション（ES）と核シンチレーション（NS）に分類するように学習させた。
• ROC曲線とAUCを用いて、電荷積分法および連続ウェーブレット変換（CWT）法と比較して性能をベンチマークした。
• 高次元CNN表現の可視化のためt-SNEを適用し、データ内の部分構造を解明した。
• CNNの畳み込み層におけるフィルターアクティベーションを可視化し、学習された特徴の解釈を試みた。

実験結果

リサーチクエスチョン

• RQ1 生のSiPM波形を入力として学習したCNNは、古典的手法よりも優れたパルス波形識別を達成できるか？
• RQ2 CNNが学習した特徴は解釈可能で物理的意味を持つものか？
• RQ3 トレーニングデータにわずかな誤ラベルが含まれても、CNNはロバストであるか？
• RQ4 CNNの高次元表現は、元の二値ラベルを超えてESおよびNS信号に隠れた部分構造を明らかにできるか？
• RQ5 CNN特徴のt-SNE可視化により、シンチレーション信号の新たなクラスタリングやサブクラス分類が可能になるか？

主な発見

• CNNは受信器特性曲線（ROC）下の面積（AUC）を0.995 ± 0.003まで達成し、電荷積分法や連続ウェーブレット変換法を著しく上回った。
• 畳み込み層のフィルターアクティベーションの可視化により、生波形から解釈可能な特徴をCNNが学習していることが確認された。
• t-SNE可視化により、ESおよびNS信号クラスタ内に連続的な部分構造が存在することが明らかになった。特に、高エネルギーNS、低エネルギーES、ミュオン誘発信号、ピルアップイベントに対応する明確な領域が観察された。
• CNNはラベル誤りに対してロバストであることが示された：誤分類された信号（1%の汚染）が特定され、修正可能であり、わずかなデータラベル誤りに対しても耐性があることが確認された。
• 本手法により、従来検出されなかった信号サブタイプ、例えば高振幅の飽和ミュオン信号や単一光子アバランチのピルアップが明らかになった。これは、データのサブクラス分類の向上に寄与する可能性を示唆している。
• 本研究は、深層学習が手作業で設計された特徴や非教師ありクラスタリング手法に依存せずに、生の検出器データから意味のある物理的知見を抽出できることを示している。