[论文解读] 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 8

一句话总结

本文提出一种卷积神经网络（CNN）方法，用于利用6LiF:ZnS(Ag)/PVT闪烁体探测器的原始SiPM信号实现中子-γ脉冲形状鉴别。该方法通过直接从数字化波形中学习可解释的特征，实现了0.995 ± 0.003的AUC，优于传统的电荷积分法和连续小波变换方法，并通过t-SNE对学习到的表征进行可视化，揭示了数据中隐藏的子结构。

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.

研究动机与目标

• 开发一种基于数据驱动的脉冲形状鉴别方法，利用原始SiPM波形对中子和伽马射线信号进行分类。
• 在性能上超越传统的电荷积分法和连续小波变换等方法。
• 探究CNN是否能够从原始闪烁信号中学习到可解释且具有物理意义的特征。
• 通过高维表征可视化方法探索闪烁数据中隐藏的子结构。
• 评估CNN在训练数据集存在少量标签错误时的鲁棒性。

提出的方法

• 使用AmBe源和PMT采集了真实且带标签的6LiF:ZnS(Ag)与PVT闪烁体信号数据集，以实现可靠标签标注。
• 信号以100 MS/s的采样率通过14位CAEN VX1724数字化仪进行数字化，并通过TOT-MPA阈值法在PMT波形上进行标签划分。
• 在原始SiPM波形上训练一维卷积神经网络，以将信号分类为电子闪烁（ES）或核闪烁（NS）。
• 通过ROC曲线和AUC指标，将性能与电荷积分法和连续小波变换（CWT）方法进行基准对比。
• 对CNN的高维表征应用t-SNE可视化，以揭示数据中的子结构。
• 可视化CNN卷积层中滤波器的激活响应，以解释学习到的特征。

实验结果

研究问题

• RQ1 在原始SiPM波形上训练的CNN是否能够优于经典方法实现更优的脉冲形状鉴别？
• RQ2 CNN学习到的特征是否具有可解释性且具有物理意义？
• RQ3 当训练数据中存在少量误标时，CNN是否仍保持鲁棒性？
• RQ4 CNN的高维表征是否能揭示原始二元标签之外ES与NS信号中隐藏的子结构？
• RQ5 对CNN特征进行t-SNE可视化是否能够实现新型聚类或信号子类划分？

主要发现

• CNN实现了0.995 ± 0.003的受试者工作特征曲线下面积（AUC），显著优于电荷积分法和连续小波变换方法。
• 通过卷积层滤波器激活的可视化，证实CNN能够从原始波形中学习到可解释的特征。
• t-SNE可视化揭示了ES和NS信号簇内部存在连续的子结构，包括高能NS、低能ES、μ子诱导信号以及堆积事件等不同区域。
• CNN对标签错误表现出鲁棒性：被误分类的信号（1%污染）被识别并纠正，证实其对轻微数据标签错误具有抗性。
• 该方法发现了此前未被识别的信号子类型，如高振幅饱和μ子信号和单光子雪崩堆积事件，表明其在改进数据子分类方面具有潜力。
• 本研究证明，深度学习能够从原始探测器数据中提取有意义的物理洞见，而无需依赖手工设计的特征或无监督聚类技术。