Пространственное разрешение электромагнитного калориметра на основе жидкого криптона

• Автор: Поспелов, Геннадий Эллиевич
• Шифр специальности: 01.04.16
• Научная степень: Кандидатская
• Год защиты: 2004
• Место защиты: Новосибирск
• Количество страниц: 103 с. : ил.

1 Расчет координатного разрешения
1.1 Отклик калориметра
1.1.1 Форма импульса тока
1.1.2 Расчет выходных сигналов
1.2 Шумы
1.2.1 Шум электроники
1.2.2 Шум, обусловленный радиоактивностью криптона
1.2.3 Оптимальное время формировки фильтра
1.3 Оценка пространственного разрешения для минимально
ионизирующей частицы
1.3.1 Метод обобщенного центра тяжести
1.3.2 Зависимость разрешения от времени жизни электронов и времени формировки фильтра
1.4 Особенности восстановления координаты фотона в калориметре на
основе жидкого криптона
1.5 Выводы
2 Экспериментальное измерение пространственного разрешения для фотонов
2.1 Конструкция прототипа калориметра
2.2 Электроника прототипа, калибровка, шумы электроники
2.3 Схема эксперимента по измерению пространственного разрешения
2.4 Моделирование
2.5 Алгоритм восстановления координаты
2.5.1 Метод обобщенного центра тяжести
2.5.2 Метод, основанный на нейронных сетях
2.6 Зависимость разрешения от энергии
2.7 Выводы

3 Измерение координат фотонов в эксперименте по расщеплению фотона
3.1 Конструкция координатной системы
3.2 Методика расчета сигналов с “прозрачных” полосок
3.3 Восстановление двух координат в слое конверсии
3.4 Пространственное разрешение по двум координатам в слое конверсии
3.5 Выводы
4 Электромагнитный калориметр на жидком криптоне детектора КЕДР
4.1 Детектор КЕДР
4.2 История создания ЬКг калориметра для детектора КЕДР
4.3 Конструкция калориметра
4.4 Система криогенного обеспечения
4.5 Электроника калориметра
4.6 Шумы
4.7 Алгоритм восстановления координаты космического мюона
4.7.1 Восстановление координаты кластера
4.7.2 Получение разрешения по измерениям координаты мюона в нескольких слоях
4.8 Пространственное разрешение для космических мюонов
4.9 Выводы
Заключение
Приложение
Литература

В последние 20 лет большое развитие получили детекторы излучений с конденсированными диэлектриками в качестве рабочей среды [1]. Наиболее популярными рабочими средами в таких детекторах являются плотные диэлектрики с высокой подвижностью электронов — сжиженные аргон (ЬАг), криптон (ЬКг) и ксенон (ЬХе). В настоящее время ионизационные спектрометры полного поглощения (калориметры) на основе жидких тяжелых благородных газов работают или создаются во многих крупнейших ускорительных центрах мира.
Требования, которые предъявляются к калориметрам, предназначенным для работы на коллайдерах с высокой светимостью и энергиями в диапазоне 0.1-1000 ГэВ, на сегодняшний день таковы:
• Телесный угол, близкий к 100%.
• Высокое энергетическое и пространственное разрешение.
• Хорошая сегментация для эффективной работы в условиях высокой множественности частиц.
• Хорошая однородность.
• Высокая радиационная стойкость.
• Высокая скорость считывания.
• Большой динамический диапазон.
• Простота калибровки.
• Хорошая линейность отклика.
В калориметрии частиц высокой энергии (> 10 ГэВ) используются так называемые сэмплинг калориметры, которые представляют собой конструкции типа “сэндвич”, в которых слой жидкого аргона чередуется со слоем плотного неактивного вещества, например, свинца. Такая технология позволяет создавать как электромагнитные калориметры с разрешением ое/Е — (10 — 15)%/у/£(ГэВ), так и адронные калориметры с разрешением ое/Е = (40 — 60)%/-/£'(ГэВ).
Выбор жидкого аргона в качестве детектирующей среды целиком определяется такими его качествами, как доступность, низкая стоимость и нетребовательность к

Входы Синапсы ХО

Аксон Выход

Input Hidden Output
layer layer layer
S=I X,W, Y=F(S)

Рис. 27. а) Общий вид искусственного нейрона, b) Трех-слойный персептрон.
Она обладает свойством усиливать слабые сигналы больше, чем большие, и предотвращает насыщение от больших сигналов.
Нейронные сети отличаются по типу соединения нейронов между собой и делятся на сети прямого распространения (отсутствует обратная связь между нейронами) и сети с обратными связями (выходные значения сети зависят от предыдущих состояний сети). Самым распространенным и широкоизученным семейством сетей прямого распространения является многослойный персептрон [42, 43]. Нейроны в персептроне расположены слоями, имеют однонаправленные связи между слоями и используют сигмоидальную функцию активации. На Рис. 27,b показан пример 3 слойного персеп-трона, состоящего из 4 входных нейронов (на которые подаются 4 входных сигнала), 2 выходных нейрона (выходы которых являются выходами сети) и 3 нейрона внутреннего слоя, соединяющих между собой входы и выходы.
Обучением нейронной сети называется процесс подбора оптимальных значений коэффициентов связей нейронов по имеющейся обучающей выборке. При этом сети предоставляются как входные, так и выходные значения, и веса сети настраиваются таким образом, чтобы сеть производила ответы как можно более близкие к известным правильным ответам. Самым популярным алгоритмом для определения оптимальных весов в многослойном персептроне является алгоритм обратного распространения (back propagation algorithm) [43]. Он включает в себя следующие шаги: