Clasificación binaria de disparadores de señales y de fondo de un sensor de borde de transición utilizando redes...

Área de la Ciencia:

• Física de Partículas
• Física Experimental
• Aprendizaje Automático

Sus antecedentes:

• El experimento Any Light Particle Search II (ALPS II) busca axiones y partículas similares a los axiones utilizando un láser de 1064 nm.
• Se planean detectores de fotones únicos basados en sensores de borde de transición (TES) criogénicos para mejorar las capacidades de detección de ALPS II, requiriendo una sensibilidad de 10⁻²⁴ W.

Objetivo del estudio:

• Investigar la eficacia de las redes neuronales convolucionales (CNN) como clasificadores binarios para distinguir los pulsos activados por fotones del ruido de fondo en el experimento ALPS II.
• Evaluar el rendimiento de las CNN en comparación con los métodos de análisis basados en cortes establecidos para la detección de señales débiles.

Principales métodos:

• Se entrenaron modelos de CNN para clasificar pulsos activados por fotones de 1064 nm (luz) frente a pulsos de fondo (oscuridad) a partir de datos experimentales.
• Se realizó una rigurosa optimización de hiperparámetros para el clasificador binario de CNN.
• Se comparó la significancia de detección del enfoque de CNN con un análisis basado en cortes optimizado previamente.

Principales resultados:

• El clasificador binario basado en CNN no superó la significancia de detección del análisis optimizado basado en cortes.
• Los disparadores de fotones de cuerpo negro cercanos a 1064 nm en el fondo limitaron significativamente el rendimiento de las CNN debido a la confusión en el entrenamiento.
• Se confirmó la radiación de cuerpo negro acoplada por fibra como la principal fuente de fondo limitante.

Conclusiones:

• Las CNN, en su configuración actual de clasificación binaria, no son superiores a los métodos basados en cortes para este conjunto de datos específico de TES debido a la interferencia de fondo.
• La investigación futura debería considerar las CNN basadas en regresión y priorizar datos de entrenamiento estandarizados y bien estructurados sobre una extensa optimización de hiperparámetros.
• Los hallazgos son aplicables a cualquier dispositivo que analice datos de series temporales univariadas para la detección de señales.