Rozpoznávání ionizujících částic pomocí hybridních aktivních pixelových detektorů

Abstract

Detektory Timepix zaznamenávají snímky obsahující charakteristické obrazy částic ionizujícího záření, které procházejí vrstvou polovodičového materiálu. Od jejich vzniku ve skupině Medipix probíhaly pokusy o rekonstrukci trajektorií a rozpoznávání druhů částic z pozorovaných obrazů. Cílem této práce je návrh nových postupů řešení obou úloh, inspirovaných nedávnými články a metodami počítačového vidění. Navržené algoritmy pro rekonstrukci trajektorií jsou robustní a dosahují subpixelového rozlišení díky využití lokální optimalizace a informace o energii dostupné v operačním režimu Time-over-Threshold. Narozdíl od jiných postupů umožňují úspěšnou detekci a oddělení až 10 překrývajících se obrazů. Rozpoznávání druhů částic je dosaženo algoritmem strojového učení, který provádí klasifikaci na základě modelu atributů ztráty energie částic. Křížovou validací dat s obrazy těžkých iontů se podařilo ukázat, že navržený klasifikátor plní požadovanou funkci. Za účelem demonstrace využití navržených metod ve výzkumných aplikacích byla provedena analýza dat z detektorů Timepix rozmístěných v experimentu MoEDAL v LHCb, CERN.

Timepix detectors record frames containing characteristic patterns corresponding to particles of ionizing radiation passing through a layer of semiconductive material. Since their inception by the Medipix collaboration at CERN, attempts have been made at reconstruction of particle trajectories and recognition of particle species based on the observed patterns. This thesis proposes novel approaches to both problems inspired by the recent works and methods used in computer vision applications. The presented algorithms for trajectory reconstruction are robust and combine local optimization with energies available in the Time-over-Threshold operation mode to achieve subpixel precision. Unlike alternate approaches, the proposed methods have been found to successfully detect and separate up to 10 overlapping patterns. A supervised machine learning algorithm is presented for particle species classification based on the energy loss feature model. Cross-validated evaluation of the classifier with heavy ion dataset indicates that the proposed model is viable and can accurately determine particle species. An analysis of recent Timepix data from the MoEDAL Experiment at LHCb, CERN has been conducted to demonstrate usage of the presented methods in research applications.