[论文解读] Muon tagging on the Backend-Electronics of CHEC-S -- a compact high-energy camera for the Cherenkov Telescope Array

R. Pillera, G. Giavitto+1 more|arXiv (Cornell University)|Jan 1, 2019

Astrophysics and Cosmic Phenomena参考文献 5被引用 1

一句话总结

本文提出了一种在切伦科夫望远镜阵列（Cherenkov Telescope Array）的CHEC-S相机后端电子系统（BEE）上实现的高效率μ子标记系统。通过在低分辨率超像素触发模式上使用简单的像素计数（多数方法），该系统在130 kHz处理速度下实现了超过90%的μ子探测效率，且在不同夜间天空背景（NSB）水平下性能稳定，从而实现了甚高能伽马射线望远镜的稳健光学校准。

ABSTRACT

The Cherenkov Telescope Array (CTA) will be the leading ground-base observatory for Very High Energy (VHE) {\gamma}-ray astronomy for the next decades. Its southern site will host about 70 Small Sized Telescopes (SSTs) which will determine the CTA sensitivity at {\gamma}-ray energies between 1 and 300 TeV. One of the design options for the SST cameras is the silicon photomultiplier-based Compact High-Energy Camera (CHEC-S). The back-end electronics (BEE) of CHEC-S interconnects the camera front-end modules, provides power and clock distribution, aggregation, routing and time stamping of data and most importantly it implements the camera trigger system. A novel technique to tag muons using the capabilities of this system has been developed, studying and comparing different algorithms such as circle fitting, machine learning and simple pixel counting. This contribution describes the design of the CHEC-S BEE, and presents the results of the performance of this muon tagger and the prospects of using it for other Cherenkov Telescopes types of CTA.

研究动机与目标

• 开发一种快速、高效的CHEC-S相机后端电子系统的μ子标记系统，以实现切伦科夫望远镜的光学效率校准。
• 解决在IACT阵列中检测μ子的挑战，其中传统符合触发会抑制局部μ子事件。
• 在实时触发数据上评估并比较多种μ子识别算法——圆拟合、机器学习和像素计数。
• 确保在不同夜间天空背景（NSB）水平下实现高标记效率（>90%），这对于在多样化观测条件下实现可靠校准至关重要。
• 实现在相机背板上直接部署μ子标记算法，以实现低延迟处理。

提出的方法

• 该方法使用由CHEC-S背板FPGA生成的低分辨率512位超像素触发模式，表示粗略的簇簇图像。
• 多数方法基于触发的超像素数量进行事件分类，设定阈值以区分μ子环与质子簇簇背景。
• 测试了Taubin圆拟合算法以提取几何环参数，但发现其处理速度过慢，无法满足实时处理需求。
• 评估了多层感知机（MLP）神经网络在图像识别中的应用，但其在速度和简洁性方面均不如多数方法。
• 系统采样速率为1 GHz，相邻超像素之间的符合窗口为2.7 ns，用于形成相机触发。
• 通过模拟8 GeV–1 TeV的μ子和1–300 TeV的质子簇簇图像（光谱指数γ = −2.0）评估了处理速度和在不同NSB水平下的稳定性。

实验结果

研究问题

• RQ1 像像素计数这样的简单快速算法能否在CHEC-S触发数据上实现超过90%的μ子标记效率？
• RQ2 与圆拟合和机器学习相比，多数方法在速度和背景抑制方面表现如何？
• RQ3 在不同夜间天空背景（NSB）水平下，标记效率是否保持稳定？
• RQ4 多数方法能否直接实现在相机背板上以实现实时处理？
• RQ5 在不同NSB条件下，保持高效率和高纯度的最优超像素计数阈值是什么？

主要发现

• 多数方法实现了130 kHz的处理速度，远超CHEC-S读出所需的1 kHz，表明其适用于实时实现。
• 多数方法在低、中、高夜间天空背景（NSB）水平下均保持超过90%的μ子标记效率，显示出良好的鲁棒性。
• Taubin圆拟合方法仅实现188 Hz的处理速度，未达到1 kHz的要求，被认为不适用于实时应用。
• MLP机器学习方法处理速度为63 kHz，慢于多数方法，且未带来显著的性能优势。
• 超像素分布清晰区分了μ子信号与质子背景，支持有效的基于阈值的判别。
• 所有NSB水平下纯度均保持较高水平，性能无显著退化，证实该方法在校准应用中的可靠性。