Sparse-Netze liefern strukturierte Vektor-Embeddings für TPC-Daten
Zeitprojektion-Kammern (TPCs) sind vielseitige Detektoren, die die Bahnen geladenen Teilchen in einem ionisierenden Medium rekonstruieren. Dadurch ermöglichen sie hochpräzise Messungen in einer breiten Palette von Kernphysik‑Experimenten.
In einer neuen Studie wurden sparse Convolutional Netzwerke – speziell ein sparsames ResNet – auf TPC‑Daten angewendet. Überraschenderweise liefern selbst untrainierte Modelle mit zufälligen Gewichten bereits sinnvolle, strukturierte Vektor‑Embeddings von Ereignissen. Durch ein zusätzliches Pre‑Training auf einer einfachen, physikmotivierten Binärklassifikation verbessert sich die Qualität der Embeddings weiter.
Die Autoren nutzten Daten des GAseous Detector with GErmanium Tagging (GADGET) II, einem TPC, der für die Messung von niederenergetischen β‑verzögerten Teilchenzerfällen optimiert ist. Roh‑Pad‑Signale wurden als sparse Tensoren dargestellt, Minkowski‑Engine‑ResNet‑Modelle trainiert und die resultierenden Ereignis‑Embeddings analysiert, die ein reiches Ereignis‑Struktur‑Spektrum offenbarten.
Als Cross‑Detector‑Test wurden Daten des Active‑Target TPC (AT‑TPC) – ein Detektor für Kernreaktionen in inverser Kinematik – mit demselben Encoder verarbeitet. Auch hier lieferte ein untrainiertes sparsames ResNet nützliche Embeddings, und die Leistung stieg, wenn das Modell zuvor auf GADGET‑Daten trainiert wurde. Diese Ergebnisse unterstreichen das Potenzial sparsamer Convolutional‑Techniken als generelles Werkzeug für die Repräsentationslernen in vielfältigen TPC‑Experimenten.