AI Observatory
Una mappa quotidiana di ciò che viene pubblicato sull’intelligenza artificiale.
← Torna alle ultime pubblicazioni
paper · arXiv · Machine Learning

End-to-end Differentiable Calibration and Reconstruction for Optical Particle Detectors

Di cosa parla

Un simulatore per rivelatori ottici che unisce in un unico flusso la simulazione del segnale, la calibrazione e la ricostruzione delle particelle, e che sfrutta le derivate — cioè misura come piccoli cambiamenti nei parametri influenzano l'output — per ottimizzare allo stesso tempo parametri e ricostruzioni. L'obiettivo è allineare la simulazione ai dati reali e semplificare analisi che prima erano separate.

Cosa permette di osservare

Consente di esplorare se ottimizzare insieme simulazione, calibrazione e ricostruzione con metodi basati sulle derivate può sostituire le procedure tradizionali, quanto è adattabile a diverse geometrie di rivelatori e come può agevolare il progetto degli esperimenti.

regolamentazionericerca

Dalla fonte

Large-scale homogeneous detectors with optical readouts are widely used in particle detection, with Cherenkov and scintillator neutrino detectors as prominent examples. Analyses in experimental physics rely on high-fidelity simulators to translate sensor-level information into physical quantities of interest. This task critically depends on accurate calibration, which aligns simulation behavior with real detector data, and on tracking, which infers particle properties from optical signals. We present the first end-to-end differentiable optical particle detector simulator, enabling simultaneous calibration and reconstruction through gradient-based optimization. Our approach unifies simulation, calibration, and tracking, which are traditionally treated as separate problems, within a single differentiable framework. We demonstrate that it achieves smooth and physically meaningful gradients…