Deep learning per vedere attraverso la diffusione: ricostruzione di tracce in TPC con anodo resistivo

Le Time Projection Chamber dotate di anodo resistivo sfruttano la dispersione controllata della carica su pad adiacenti per migliorare la localizzazione spaziale delle tracce senza aumentare il numero di canali di lettura. In questa tesi è stata studiata, come prova di principio, l'applicazione di una rete convoluzionale con architettura U-Net alla ricostruzione bidimensionale della proiezione di tracce di ionizzazione sul piano anodico di una HA-TPC dell'esperimento T2K. L'analisi è stata condotta su eventi simulati mediante il framework fc0, considerando separatamente tracce rettilinee prodotte da muoni e da ionizzazione laser. Per ciascun evento la rete riceve tre mappe bidimensionali, contenenti rispettivamente l'ampiezza massima del segnale ADC, il tempo di picco e la distanza da una prima stima lineare della traccia. Il target è una maschera a risoluzione aumentata costruita a partire dalle posizioni dei cluster di ionizzazione primaria. L'output della rete viene quindi trasformato in una stima della traiettoria mediante l'estrazione dei centroidi e un successivo fit lineare. Nelle condizioni idealizzate considerate la larghezza delle distribuzioni dei residui dopo il fit della traccia è risultata pari a circa 0.096 mm per il laser e 0.076 mm per il muone, rispetto a 0.218 mm e 0.356 mm ottenuti con i migliori baseline semplici applicati alle mappe ADC. Questi valori descrivono l'accordo tra la retta ricostruita e la traiettoria vera nella simulazione e non devono essere interpretati come una misura completa della risoluzione spaziale del rivelatore. Il test incrociato tra sorgenti mostra inoltre un sensibile peggioramento delle prestazioni, indicando una specializzazione dei modelli sul dominio di addestramento. Il lavoro dimostra la fattibilità della pipeline e il potenziale della U-Net come strumento di ricostruzione. La validazione definitiva richiederà tuttavia una simulazione corretta e più realistica, l'inclusione del rumore e di geometrie più generali, il confronto con algoritmi basati sulla risposta fisica dell'anodo resistivo e, infine, l'applicazione a dati sperimentali.