LEGIMaC – Low Energy Gamma Imaging via Machine Learning in Calorimeters

LEGIMaC affronta il limite chiave dei calorimetri a scintillatore, ovvero la rivelazione di raggi gamma a bassa energia in presenza del rumore sperimentale (dark noise). La soluzione introduce tecniche di Machine Learning su forme d’onda in grado di distinguere scintillazione da rumore e di risolvere eventi sovrapposti, preservando l’informazione energetica anche in condizioni estreme.

Il progetto mira ad aumentare la sensibilità nella banda delle basse energie dei rivelatori delle missioni spaziali e della fisica avanzata, a gestire segnali gamma ad alto tasso mantenendo consumi compatibili con l’ambiente spaziale e ad abilitare catene di acquisizione intelligenti e riconfigurabili a bordo rivelatore.

Con l’aumento di area e granularità dei calorimetri a scintillatore che utilizzano il silicio (SiPM), il rumore caratteristico dei rivelatori dipendente dalla temperatura può mascherare i segnali deboli, che implica una soglia di attivazione alta. Servono perciò filtri sensibili ad anergie più basse e capacità di inferenza in tempo reale anche in presenza di bassa potenza.

Sono stati creati modelli di simulazione ad alta fedeltà e dataset sintetici integrati con dati reali ad alto rate. Sono inoltre state sviluppate Convolutional Neural Network per discriminare rumore a singolo fotone e definite nuove logiche di attivazione dei calorimetri per burst gamma e finestre di acquisizione, adattando l’implementazione delle tecniche su FPGA con consumi di pochi watt.

I risultati ottenuti hanno applicazioni dirette nei rivelatori gamma impiegati nelle missioni spaziali, negli esperimenti di fisica e nel monitoraggio radiologico, dove migliore discriminazione e gestione dell’accumulo di segnali incrementano qualità d’immagine e affidabilità della misura. In generali, il progetto rafforza la competenza europea nell’ambito dell’integrazione di tecniche AI su sistemi a bazza potenza per la rivelazione delle radiazioni.

Oltre allo sfruttamento diretto nelle missioni Spaziali e nella Fisica delle Particelle, il progetto trova applicazione nel Monitoraggio ambientale e radiologico, grazie a framework di simulazione, Machine Learning su forme d’onda e strategie FPGA replicabili su altre piattaforme di calcolo.