물리 기반 자기 지도 학습을 통한 검출기 자가 보정 기술
Physics-Informed Self-Supervised Learning for Joint Wire Calibration and Interaction Position Reconstruction in Multi-Wire Parallel Plate Avalanche Counters
arXiv물리 기반의 자기 지도 학습 프레임워크를 활용하여, 다중 와이어 검출기(MWPPAC)에서 전선 보정 및 상호작용 위치 재구성을 동시에 수행하는 기술입니다.
- 별도의 레이블링된 측정이나 전용 보정 과정 없이, 오직 검출기의 기하학적 구조와 물리적 일관성 제약 조건만을 이용해 작동합니다.
- 장비의 보정이 실험 전 필수 단계가 아닌 측정 과정 자체에 통합되어, 스스로 지속적으로 적응하는 자율 지능형 계측 시스템 구현을 가능하게 합니다.
- 제안된 방법은 특정 검출기에 국한되지 않고 다양한 과학 기기에 적용 가능한 범용적인 물리 기반 보정 프레임워크를 제시했다는 점에서 의의가 큽니다.
과학 기기의 정확한 물리적 측정값을 얻기 위해서는 정밀한 교정이 필수적입니다. 기존의 교정 절차는 전용 측정 과정, 분석 모델, 또는 레이블링된 참조 데이터에 의존하는 경향이 있어, 작동 조건 변화나 검출기 노후화와 같은 상황에 유연하게 대응하기 어렵다는 한계가 있었습니다.
제안된 물리 기반 자기 지도 학습 프레임워크는 다중 와이어 평행판 애벌랜치 카운터(MWPPAC)에서 전선 보정 및 상호작용 위치 재구성을 동시에 수행합니다. 이 방법은 레이블링된 위치 측정이나 별도의 교정 실행을 요구하지 않으며, 오직 검출기의 기하학적 구조와 전하-에너지 일관성 제약 조건만을 활용하여 글로벌 와이어 게인과 이벤트별 상호작용 위치를 추정합니다.
이 접근 방식은 검출기 독립적인 신경망을 사용하여 국소 전하 분포로부터 서브 와이어 상호작용 위치를 재구성하며, 분석적 유도 프로파일 가정을 제거하고 실험 데이터 자체에서 검출기 응답을 학습합니다. 이 엔드투엔드 미분 가능 프레임워크는 지속적인 검출기 자가 교정을 가능하게 하며, 테스트된 VAMOS++ 자기 분광계의 입구 MWPPAC 추적 검출기에서 안정적인 수렴과 향상된 공간 균질성 및 위치 해상도를 보여주었습니다.