[논문 리뷰] Pulse Shape Discrimination and Exploration of Scintillation Signals Using Convolutional Neural Networks

Jack Griffiths, Steven Kleinegesse외 3명|arXiv (Cornell University)|2018. 07. 18.

Nuclear Physics and Applications인용 수 8

한 줄 요약

이 논문은 6LiF:ZnS(Ag)/PVT闪烁체 검출기에서의 SiPM 신호 원시 데이터를 사용하여 중성자-감마 펄스 형상 구분을 위한 합성곱 신경망(CNN)을 제안한다. 이 방법은 디지타이징된 파형에서 직접 해석 가능한 특징을 학습함으로써 AUC 0.995 ± 0.003의 성능을 달성하여 전통적인 전하 통합 및 연속 웨이블릿 변환 방법을 뛰어넘으며, 학습된 표현의 t-SNE 시각화를 통해 데이터 내 숨겨진 하위 구조를 드러낸다.

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.

연구 동기 및 목표

• 원시 SiPM 파형을 이용한 중성자 및 감마선 신호의 데이터 기반 펄스 형상 구분 방법을 개발한다.
• 전하 통합 및 연속 웨이블릿 변환과 같은 기존 방법을 뛰어넘는 구분 성능 향상을 도모한다.
• CNN이 원시 방사능 발광 신호에서 해석 가능하고 물리적으로 의미 있는 특징을 학습할 수 있는지 조사한다.
• 고차원 표현 시각화를 통해 방사능 데이터 내 숨겨진 하위 구조를 탐색한다.
• 학습 데이터의 미세한 레이블링 오류에 대해 CNN의 강건성을 평가한다.

제안 방법

• AmBe 원천과 PMT를 사용하여 6LiF:ZnS(Ag) 및 PVT 방사능 발광체 신호의 실제이고 레이블이 부여된 데이터셋을 확보하였다.
• 신호는 100 MS/s 속도로 14비트 CAEN VX1724 디지타이저로 디지타이징되었으며, PMT 파형에 대한 TOT-MPA 임계값 절단을 통해 레이블링되었다.
• 1D 합성곱 신경망은 원시 SiPM 파형을 기반으로 전자 방사능 발광(ES) 또는 핵 방사능 발광(NS)으로 분류하도록 훈련되었다.
• ROC 곡선과 AUC를 사용하여 성능을 전하 통합 및 연속 웨이블릿 변환(CWT) 방법과 비교 평가하였다.
• 고차원 CNN 표현의 하위 구조를 드러내기 위해 t-SNE를 적용하였다.
• 합성곱층의 필터 활성화를 시각화하여 학습된 특징을 해석하였다.

실험 결과

연구 질문

• RQ1 원시 SiPM 파형을 기반으로 훈련된 CNN이 전통적 방법보다 뛰어난 펄스 형상 구분 성능를 달성할 수 있는가?
• RQ2 CNN이 학습한 특징은 해석 가능하고 물리적으로 의미 있는가?
• RQ3 학습 데이터에 소량의 잘못된 레이블링이 존재하더라도 CNN은 강건한가?
• RQ4 CNN의 고차원 표현은 원래의 이진 레이블링을 넘어서 ES 및 NS 신호 내 숨겨진 하위 구조를 드러낼 수 있는가?
• RQ5 CNN 특징의 t-SNE 시각화를 통해 기존의 클러스터링 또는 하위 분류 기법을 뛰어넘는 새로운 클러스터링 또는 하위 분류가 가능할 수 있는가?

주요 결과

• CNN은 수신기 작동 특성 곡선(AUC)의 면적을 0.995 ± 0.003로 달성하여 전하 통합 및 연속 웨이블릿 변환 방법보다 뚜렷이 뛰어난 성능을 보였다.
• 합성곱층의 필터 활성화를 시각화한 결과, 원시 파형에서 학습된 특징이 해석 가능하다는 것이 확인되었다.
• t-SNE 시각화를 통해 ES 및 NS 신호 클러스터 내에 연속적인 하위 구조가 드러났으며, 고에너지 NS, 저에너지 ES, 뮤온 유도 신호, 피로 충적 사건 등과 관련된 구분 가능한 영역이 존재함을 확인하였다.
• CNN은 레이블링 오류에 강건함을 입증하였다: 잘못 분류된 신호(1% 오염)는 식별되고 수정되었으며, 미세한 데이터셋의 잘못된 레이블링에 대한 저항력을 확인하였다.
• 이 방법은 이전에 발견되지 않은 신호 하위 유형, 예를 들어 고진폭 포화 뮤온 신호 및 단일 광자 아발랑치의 피로 충적 현상을 드러내어 향후 데이터 하위 분류 향상의 잠재력을 보여주었다.
• 이 연구는 딥 러닝 기법이 수작업으로 설계된 특징이나 비지도 군집화 기법에 의존하지 않고도 원시 검출기 데이터에서 의미 있는 물리적 통찰을 추출할 수 있음을 입증한다.