Ensamblado y operación de un telescopio de protones con sensores de tipo Low Gain Avalanche Diode

Abstract

Los sensores Low Gain Avalanche Diode (LGAD), desarrollados originalmente para su uso en el CERN, se caracterizan por su excepcional resolución temporal y su alta resistencia a la radiación. Estas propiedades los hacen especialmente adecuados para aplicaciones en Radiofísica, como su integración en un telescopio de protones destinado a la obtención de imágenes tomográficas. En este trabajo se han llevado a cabo tareas de instrumentación y computación orientadas al ensamblaje de módulos LGAD y a la operación de una simulación del telescopio. Por un lado, se ha implementado un sistema óptico en un robot para el montaje automático de sensores LGAD, así como un método de calibración programado específicamente para este fin. El proceso de calibración, que ha sido simulado, permitirá al robot determinar la posición de objetos con una precisión en el plano horizontal de σ(x, y)C = 40 µm. Por otro lado, se ha empleado un algoritmo de aprendizaje automático, concretamente una red U- Net, para aplicar técnicas de denoising a imágenes generadas mediante la simulación del telescopio de protones. Una vez entrenado, este modelo ha sido capaz de reconstruir imágenes simples con un error cuadrático medio de MSE = 0.0033 ± 0.0008 por píxel, en un rango de valores de 0 a 255.

Low Gain Avalanche Diode (LGAD) sensors, originally developed for use at CERN, are characterized by their exceptional time resolution and high radiation tolerance. These properties make them particularly well-suited for applications in Medical Physics, such as their integration into a proton telescope designed for tomographic imaging. In this work, instrumentation and computing tasks have been carried out to support the assembly of LGAD modules and the operation of a simulation of the telescope. On one hand, an optical system has been implemented on a robot for the automated assembly of LGAD sensors, along with a specifically programmed calibration method. The calibration process, which has been simulated, will allow the robot to determine object positions with a horizontal plane precision of σ(x, y)C = 40 µm. On the other hand, a machine learning algorithm—specifically a U-Net neural network—has been used to apply denoising techniques to images generated by the simulated proton telescope. Once trained, this model has been able to reconstruct simple images with a mean squared error of MSE = 0.0033 ± 0.0008 per pixel, within a value range from 0 to 255.