Investigation of BGO Coincidence Time Resolution with Deep Learning
Notice bibliographique
Résumé
Significant advancements in coincidence time resolution (CTR) of BGO scintillators have been made in recent years, driven by the enhanced capability of new SiPMs to detect Cherenkov photons. However, BGO also emits slower scintillation light, causing time walk and degrading CTR when measured with leading edge discrimination (LED). This can be partially counteracted by using a second, higher threshold to perform time walk correction (TWC). Convolutional neural networks (CNNs) were also shown to provide enhanced timing estimation in other scintillators by training with digitized waveforms. The present study compares the CTR performance of LED, TWC, and CNN approaches in BGO scintillators read out by NUV-HD-MT SiPMs and high-frequency electronics. For BGO 2×2×3 mm3utilizing TWC produces a CTR of 129 ± 2 ps FWHM, whereas the CNN achieves 115 ± 2 ps, representing 18% and 26% improvements over LED, respectively. For BGO 2×2×20 mm3, both approaches produce comparable CTR (around 240 ps FWHM, ~15% improvement over LED), but the CNN shows superior tail suppression in the coincidence time distribution. The increased complexity associated with waveform digitization required for CNNs might be alleviated by adopting a simpler dual-threshold approach, which so far appears to recover the most crucial features of the signal for enhancing CTR in longer BGO crystals.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».