¿Qué algoritmos se utilizan para la reconstrucción de pistas en cámaras de niebla?

En particular, estoy interesado en cualquier algoritmo que pueda separar varias pistas entre sí de manera confiable.

Respuestas (1)

Históricamente, todos los algoritmos utilizados para comprender las huellas en las cámaras de nubes y burbujas se ejecutaban en plataformas humanas . Curiosamente, después de la primera generación, en su mayoría no eran físicos, sino ayudantes contratados (y en su mayoría mujeres).

Sin embargo, existen algunos inconvenientes del escaneo manual, en particular la velocidad de procesamiento lenta (incluso cuando está altamente paralelizado) y la dificultad para evaluar con precisión las eficiencias en el análisis.

Recientemente han sucedido dos cosas interesantes.

  1. Las cámaras de burbujas están de vuelta para ciertos procesos de fondo cero como la detección directa de materia oscura .

  2. La introducción de cámaras de proyección de tiempo de argón líquido a gran escala (LArTPC).

Los LArTPC se han descrito como "cámaras de burbujas electrónicas" 1 porque potencialmente proporcionan una resolución espacial de nivel submilimétrico en tres dimensiones en volúmenes muy grandes 2 y admiten la adquisición continua de datos.

Sé de dos LArTPC que han dado lugar a documentos: ICARUS (un dispositivo a gran escala en Gran Sasso) y Argoneut (un pequeño banco de pruebas en Fermilab). Y hay varios en construcción o planeados: microBooNE (en Fermilab), el sistema detector lejano LBNE (proyecto futuro muy grande) y un detector cercano planeado recientemente para una nueva línea de luz en el CERN .

Hasta donde yo sé, nadie tiene un análisis realmente satisfactorio, totalmente automatizado para eventos grandes y complicados hasta el momento. Todos los artículos de ICARUS que he leído parecen describir resultados que son parcialmente escaneados a mano. Si bien Argoneut ha publicado varios artículos, se continúa trabajando para mejorar el analizador.

La base del software que estamos escribiendo para Argoneut, microBooNE y LBNE es improvisar una serie de herramientas bien conocidas de la comunidad de reconocimiento de imágenes (agrupación, búsqueda de líneas, búsqueda de vértices) con algunos viejos caballos de batalla de la física de partículas (filtros Kalman, fuera en el enfoque), y podemos obtener buenos resultados para algunos eventos. Se continúa trabajando en varias líneas de ataque.


1 Esto es un poco optimista porque hay algunas configuraciones de pistas que se pueden ver en una cámara de burbujas real que desconcertará cualquier análisis concebible en un TPC, pero se cree (¡y se espera!) que las fluctuaciones en las pistas romperán el problemático simetría en casi todos los casos.

2 En el que estoy trabajando tiene más de 50 metros cúbicos de volumen activo y se planea que el detector lejano LBNE tenga muchas veces ese tamaño.


Divulgación completa Me nombran como autor en algunos artículos de Argoneut y soy colaborador en microBooNE y LBNE.

Cosas muy interesantes, parece que ustedes están sobre dónde estoy con los métodos basados ​​​​en imágenes y de estimación de estado, sin embargo, me interesará ver qué resultados adicionales obtienen.
el ALEPH TPC tuvo un buen reconocimiento de huellas. También había un detector de microvértices (también encontrando pistas). ieeexplore.ieee.org/xpl/…
@annav Podemos hacer un seguimiento básico muy bien, pero los LArTPC grandes son el detector completo (por lo que también tenemos que sacar el impulso, la calorimetría y el PID) y para los experimentos con neutrinos no sabemos a priori dónde esperar el vértice primario; todo lo cual complica el problema de producir un analizador completamente general. Los TPC de fase líquida también funcionan de manera diferente a los de gas, además de lo cual necesitamos la capacidad de administrar más de 20,000 impactos por avión por evento. De hecho, podríamos usar algunas personas que estuvieran familiarizadas con el código de esa máquina, pero ahora mismo no tenemos ninguna.