Shower Separation in Five Dimensions Using Machine Learning Techniques

Abstract

This thesis presents methods and tools for the calibration and operation for the CALICE Analogue Hadronic Calorimeter (AHCAL), a highly-granular, steel-scintillator calorimeter designed for use in Particle Flow in a future precision lepton collider experiment requiring excellent jet energy resolution. This calorimetry method relies on highly-granular calorimeters, excellent detector calibration and sophisticated clustering algorithms to resolve energy deposits from different particles. The AHCAL has around 22,000 readout channels, utilising silicon photomultipliers (SiPMs) to read scintillation light, and is unique for its capacity to measure both energy and a timestamp with up to 100 ps timing resolution.

In this thesis, software tools and algorithms are developed to calibrate and operate the AHCAL and SiPMs. Firstly, a flexible Monte Carlo program called LightSimtastic is presented which simulates the response of SiPMs in the linear regime in which saturation effects can be ignored. Inputs to the program are the mean number and time distribution of Geiger discharges from photons, and the dark-count rate. Then, another software tool for the characterisation of SiPM spectra called PeakOTron is introduced. This program fits the entire charge spectra, including the intervals in-between the photoelectron peaks, which allows determining, in addition to the mean number of detected photons, gain, gain spread, prompt cross-talk, pedestal, and electronics noise, the dark-count rate as well as the probability and time constant of after-pulses from charge spectra. The starting values of the fit parameters are extracted from the charge spectra, and the program provides a good description of both simulation and experimental data. Thirdly, a neural network model for software compensation developed for the AHCAL is presented, using spatial and temporal event information from the AHCAL and energy information, which is expected to improve sensitivity to shower development and the neutron fraction of the hadron shower. The method produced a linear detector response in compensating both simulation and experimental hadron shower data. It outperformed a published control method in terms of resolution for every particle energy studied. Lastly, neural network models for shower separation are applied to separating charged and synthetic neutral hadron shower events using the AHCAL detector. The AHCAL is demonstrated to be a highly effective Particle Flow Calorimeter, with > 90 % of events being reconstructed in the calorimeter resolution for most particle energy combinations that improve significantly in the most challenging cases using timing information as an additional clustering dimension.

Diese Arbeit präsentiert Methoden und Werkzeuge zur Kalibrierung und Betrieb des CALICE Analogen Hadronenkalorimeters (AHCAL), eines hochgranularen Stahl-Szintillator-Kalorimeters, das für die Verwendung in der Teilchenflußrekonstruction (Particle Flow) in einem zukünftigen Präzisions-Leptonen- Kollisions-Experiment entwickelt wurde und eine hervorragende Energieauflösung für Jets erfordert. Diese Kalorimetrie-Methode basiert auf hochgranularen Kalorimetern, exzellenter Detektor-Kalibrierung und anspruchsvollen Clustering-Algorithmen, um Energiedeposition (energy deposits) von verschiedenen Teilchen zu unterscheiden. Das AHCAL verfügt über etwa 20.000 Auslesekanäle, die Silizium-Photomultiplier (SiPMs) zur Detektion von Szintillationslicht verwenden, und ist einzigartig in seiner Fähigkeit, sowohl Energie als auch einen Zeitstempel mit einer zeitlichen Auflösung von bis zu 100 Pikosekunden zu messen.

In dieser Arbeit werden Software-Werkzeuge und Algorithmen entwickelt, um das AHCAL und die SiPMs zu kalibrieren und zu betreiben. Zunächst wird ein flexibles Monte-Carlo-Programm namens LightSimtastic vorgestellt, das die Antwort der SiPMs im linearen Regime simuliert, in dem Sättigungseffekte vernachlässigt werden können. Die Eingabewerte für das Programm sind die mittlere Anzahl und die zeitliche Verteilung der Geiger-Entladungen (Geiger discharge) von Photonen sowie die Dunkelzählrate (dark count rate). Anschließend wird ein weiteres Software-Werkzeug zur Charakterisierung der SiPM-Spektren namens PeakOTron eingeführt. Dieses Programm fittet die gesamten Ladungsspektren (charge spectrum) an, einschließlich der Intervalle zwischen den Photoelektronen-Spitzen (photoelectron peaks), was es ermöglicht, neben der mittleren Anzahl detektierter Photonen auch Verstärkung (gain), Verstärkungsverteilung (gain spread), prompten Übersprechen (prompt cross-talk), Grundlinie (pedestal) und elektro- nisches Rauschen (electronics noise), die Dunkelzählrate sowie die Wahrscheinlichkeit und Zeitkonstante von Nachentladungen aus den Ladungsspektren zu bestimmen. Die Startwerte der Anpassungsparameter werden aus den Ladungsspektren extrahiert, und das Programm liefert eine gute Beschreibung sowohl von Simulations- als auch von experimentellen Daten. Drittens wird ein neuronales Netzwerkmodell (neural network model) zur Softwarekompensation entwickelt, dass für das AHCAL verwendet wird. Dabei werden räumliche und zeitliche Ereignisinformationen des AHCAL und Energiein- formationen verwendet, um die Empfindlichkeit für die Entwicklung von Schauern und den Neutronenanteil des Hadronenschauers zu verbessern. Die Methode erzeugte eine lineare Detektorantwort (detector response) bei der Kompensation von sowohl simulierten als auch experimentellen Hadronenschauer-Daten. Sie übertraf eine veröffentlichte Kontrollmethode in Bezug auf die Auflösung für jede untersuchte Teilchenenergie. Schließlich werden neuronale Netzwerkmodelle zur Schauertrennung angewendet, um geladene und synthetische neutrale Hadronenschauer zu trennen.Das AHCAL erweist sich als ein äußerst effektiver Teilchenfluß-Kalorimeter, bei dem mehr als 90 % der Ereignisse in der Kalorimeterauflösung für die meisten Kombinationen von Teilchenenergien rekonstruiert werden können. Dies verbessert sich signifikant in den anspruchsvollsten Fällen unter Verwendung von Zeitinformationen als zusätzliche Clustering-Dimension.