Pokročilé metody dekompozice radiačního pole hybridními pixelovými detektory

Abstract

Hybridní pixelové detektory vyvolaly zájem fyziky vysokých energií, medicíny a věd o vesmíru pro jejich schopnosti registrovat bezpozaďově jednotlivé ionizující částice a zaznamenávat jejich stopy či dráhy v detektorovém polovodičovém sensoru. Předložená práce se zaměřuje jmenovitě na hybridní detektory typu Timepix3, jež umožňují identifikovat částice ve složitých radiačních polích v širokém rozsahu jejich energií. V předložené práci byly simulovány neidealizované datové sady popisující dráhy ionizujících částic interagujících v pixelovém senzoru, které byly následně experimentálně ověřeny. Na základě těchto datových sad byly vyvinuty nové algoritmy pro identifikaci částic, analýzu jejich drah v senzoru a pro určování jejich toků. Pro sledování drah částic byl vyvinut Random Forest Regressor, se kterým byla dosahována průměrná absolutní chyba $8,65^{\circ}$, což představuje zlepšení přesnosti o $38\%$ oproti jinému, dosud užívanému nejvýkonnějšímu algoritmu. Pro klasifikaci částic byly vyvinuty dva nové algoritmy: jeden využívající Bayesiánskou dekonvoluci a druhý, založený na využití strojového učení v kombinaci s klasifikátorem XGBoosted a Random Forest Regressor. Zatímco algoritmus vycházející z Bayesiánské dekonvoluce dovolil dosáhnout přesnosti klasifikace elektron/proton $93,06\%$ a předpovědi celkové energie protonu s neurčitostí 54,65 $MeV$, v případě využití strojového učení byla přesnost/správnost klasifikace elektron/proton rovna $96,29\%$, a neurčitost předpovědi celkové energie protonu 42,15 $MeV$. Vyvinuté algoritmy byly poté experimentálně testovány na svazku protonů v Dánském centru pro částicovou terapii. Experimentální testy přivedly ke konzistentním výsledkům. Tyto algoritmy byly pak využity k analýze dat naměřených v neznámých radiačních polích, a to jak v mimozemském prostředí s detektorem SATRAM umístěným na družici Evropské kosmické agentury Proba-V obíhající Zemi na nízké oběžné dráze, tak z experimentu MoEDAL na Large Hadron Collider v CERN. V práci předložená analýza dat ze SATRAMu, na kterém byl použit detektor Timepix v otevřeném prostoru, doplněná o jejich statistické zpracování, umožnila poprvé úspěšně určit protonové spektrum v podmínkách tzv. radiační anomálie nad Jižním Atlantikem. Tyto výsledky navíc dokládají možnosti využití detektorů typu Timepix k vývoji modelových představ o radiačních polích kolem Země. Pokud jde o experimentální data získaná systémem detektorů Timepix3 v experimentu MoEDAL na LHC, algoritmy sledování drah částic v sensoru dovolily určovat úhly $\theta= 56\pm 1^{\circ}$ a $\varphi = 139\pm 1^{\circ}$, které odpovídají 3D-směrům letu částic při vstupu do sensoru. To umožnilo rozpoznat interakční bod, ve kterém se srážejí vstřícné svazky urychlených iontů a jeho rozměry s lepším rozlišením než dosud a registrovat jeho rozšíření při srážkách iontů olova ve srovnání s velikostí interakčního bodu při srážkách protonových svazků. Sledování úhlů dopadu jednotlivých částic dovolilo také odlišit primární částice zrozené v interakčním bodě od částic, které jsou součástí radiačního pozadí v experimentu. Oddělené využití klasifikačních algoritmů na částice pocházející z interakčního bodu a částice z pozadí umožnilo také určit složení i spektrální charakteristiky částic tvořících celkové radiační pole v tomto experimentu.

Hybrid pixel detectors have gathered interest in the fields of high energy physics, medicine, and space science for their noiseless single particle processing capabilities. The presented work concentrates on hybrid detectors of the Timepix3 type, and their capability to identify and track particles of the entire radiation field. In the presented work, non-idealised datasets describing traces of ionising particles interacting in a pixel sensor were simulated and subsequently validated through experiment. Based on these datasets, novel algorithms for particle fluence, identification, and tracking were developed. For particle tracking, a Random Forest Regressor was developed, producing a mean absolute error of $8.65^{\circ}$, and thus a $38\%$ increase in accuracy over the next-best performing state-of-the-art algorithm. For particle classification, two novel algorithms were developed: one utilising Bayesian deconvolution and the other utilising machine learning with a combination of an XGBoosted classifier and Random Forest Regressor. The deconvolution and machine learning algorithms produced an electron/proton classification accuracy of $93.06\%$ and $96.29\%$, respectively, and a total proton energy prediction accuracy of 54.65 $MeV$ and 42.15 $MeV$, respectively. The developed algorithms were then tested in an experimental environment from proton beam exposure at the Danish Centre for Particle Therapy, from which consistent results were obtained. The algorithms were later applied to unknown complex radiation fields in the extra-terrestrial environment from the SATRAM detector, located on the European Space Agency satellite Proba-V in low Earth orbit, and at the MoEDAL experiment at the Large Hadron Collider located in CERN. The South Atlantic Anomaly was successfully isolated by analysing the data obtained from SATRAM, on which a Timepix detector was used. For the first time using Timepix detectors, following statistical manipulation, a physically reasonable proton spectrum was extracted. These results present the possibility of using Timepix-type detectors to develop models of the space environment in low Earth orbit. Regarding the experimental data obtained by the Timepix3 detector system in the MoEDAL experiment, the particle tracking algorithms allowed for the determination of the 3D-orientation of particles born at the point of collisions of opposing beams at the Large Hadron Collider to be $\theta=56\pm 1^{\circ}$ and $\varphi = 139\pm 1^{\circ}$ angles. At the same time, the interaction point was determined with a better resolution than previously observed. This then allowed for the demonstration of the increase in the size of the interaction point during lead-lead collisions compared to the size of the interaction point during proton-proton collisions. Subsequently, the tracking of the angles of incidence of individual particles made it possible to distinguish primary particles born at the interaction point from particles that are part of the radiation background in the experiment. The classification algorithms were then applied to the interaction point and background separately, producing physically reasonable particle spectrums.