畳み込みニューラルネットワークを用いた遷移端センサーの信号およびバックグラウンドトリガーの二値分類

科学分野:

• 素粒子物理学
• 実験物理学
• 機械学習

背景:

• Any Light Particle Search II（ALPS II）実験は、1064 nmレーザーを使用してアクシオンおよびアクシオン様粒子を探索する。
• ALPS IIの検出能力を向上させるために、極低温遷移端センサー（TES）ベースの単一光子検出器が計画されており、10⁻²⁴ Wの感度が必要である。

研究 の 目的:

• ALPS II実験における光トリガーパルスとバックグラウンドノイズを区別する二値分類子としての畳み込みニューラルネットワーク（CNN）の有効性を調査する。
• 弱い信号を検出するための確立されたカットベース分析手法に対するCNNのパフォーマンスを評価する。

主な方法:

• 実験データから1064 nmの光トリガーパルス（光）対バックグラウンドパルス（暗）を分類するためにCNNモデルをトレーニングした。
• CNN二値分類子の厳密なハイパーパラメータ最適化を実行した。
• CNNアプローチの検出有意性を、以前に最適化されたカットベース分析と比較した。

主要な成果:

• 最適化されたカットベース分析の検出有意性を超えなかったCNNベースの二値分類子。
• トレーニングの混乱により、Near-1064 nmの黒体光子トリガーがバックグラウンドでCNNのパフォーマンスを著しく制限した。
• ファイバー結合された黒体放射が、主な制限要因となるバックグラウンドソースであることが確認された。

結論:

• CNNは、現在の二値分類構成では、バックグラウンド干渉のため、この特定のTESデータセットにおいてカットベースの手法よりも優れていない。
• 将来の研究では、回帰ベースのCNNを検討し、広範なハイパーパラメータチューニングよりも標準化された構造化されたトレーニングデータを優先する必要がある。
• この調査結果は、信号検出のために単変量時系列データを分析するあらゆるデバイスに適用可能である。