Sei sulla pagina 1di 9

CONTEGGIO DI FOTONI

8 Maggio 2019

Abstract

Viene proposta un'analisi statistica del conteggio di fotoni, al fine di verificare il grado di adattamento
ai dati sperimentali di due distribuzioni di probabilità note. I modelli considerati sono una poissoniana
pura e il PxG, che assumono entrambe la natura stocastica del processo di emissione di luce, risultante
dal decadimento di atomi eccitati, e del processo di rilevazione dei fotoni in arrivo. In particolare, il
modello PxG, una poissoniana composta con una distribuzione geometrica, tiene conto anche di effetti
dovuti al rivelatore, capaci di alterare la distribuzione di probabilità foto-elettrica[2]. Lo studio dei
parametri caratteristici delle distribuzioni e il grado di adattamento ai dati, mostra una previsione più
corretta del modello PxG rispetto a quello unicamente poissoniano. Tramite un test del χ2 è verificata la
consistenza della PxG (bassa intensità : χ2 /d.o.f ≈ 0.8, alta intensità: χ2 /d.o.f ≈ 1.3) rispetto ai dati
raccolti, mentre la poissoniana pura presenta una discrepanza altamente significativa nei confronti dei
valori sperimentali, in quanto, indicata con P la probabilità che il χ2 assuma un valore superiore a quello
sperimentale[1], si ha P < 0.01 (χ2 /d.o.f ≈ 457, χ2 /d.o.f ≈ 184). Il numero di fotoni totali è risultato
essere di (3.116 ± 0.009)∙106 per il conteggio a bassa intensità e di (6.295 ± 0.012)∙106 per quello ad
alta intensità.

Introduzione

La prima parte si compone di un’acquisizione in cui vengono registrate in un istogramma le occorrenze


relative al numero di canali ADC del rivelatore colpiti dal fascio di luce. Ogni entrata corrisponde ad un
segnale di carica digitizzato, indicato come numero di canali colpiti. Di seguito si svolge un’analisi dati
in cui si confrontano i valori ottenuti con quelli previsti dalla teoria adottata. Per cominciare si regola
l’intensità di una sorgente LED ultraveloce, la quale produce emissioni spontanee di luce,
successivamente rilevate da un fotomoltiplicatore al silicio (SiPM). Un SiPM può essere considerato
come un insieme di celle binarie; esso fornisce l’informazione riguardante l’intensità luminosa in arrivo
contando il numero di celle colpite.
Si osserva un migliore accordo della distribuzione composta nei confronti dei dati. In particolare, essa
tiene conto della probabilità che una valanga primaria possa andare a colpire una cella secondaria,
processo che altera il numero effettivo di celle colpite. Al contrario una poissoniana pura considera
esclusivamente la natura stocastica dell’emissione e della rilevazione di fotoni.

1 Metodo Sperimentale

1.1 Apparato sperimentale

L’apparato sperimentale è costituito principalmente da 4 elementi. La sorgente di fotoni (1) è un LED


driver ultra-veloce che emette impulsi luminosi con una lunghezza d’onda di 400 nm e con intensità
luminosa settabile. Il segnale viene trasmesso tramite fibra ottica alla PSAU (Power Supply and
Amplification Unit) (2) che genera un segnale elettrico dovuto all’interazione dei fotoni con il SiPM e
lo amplifica. Da qui la corrente amplificata arriva al digitizzatore (3), dove viene integrata in un
determinato intervallo temporale grazie al quale si può risalire alla carica assorbita e al numero di
fotoni assorbiti per cella; infine il segnale viene trasmesso al computer, dove l’interfaccia del software
Lab-VIEW permette la regolazione dei parametri dell’apparato e l’acquisizione dei dati.

(2)
(3)

(1)

Figura 1 Apparato sperimentale

1.2 Svolgimento

Si compiono due acquisizioni separate, cambiando l’intensità della luce emessa dal LED driver, a cui in
seguito si farà riferimento con A = alta intensità, e B = bassa intensità. Utilizzando Lab-VIEW si genera
un istogramma in cui viene rappresentato il numero di occorrenze, pari a quante volte è stato ricevuto un
segnale di carica digitalizzato corrispondente a un certo valore, misurato in numero di canali ADC, ad
intervalli regolari di 1, compreso nel dominio [-50,4000]. Il processo di emissione di luce, la cui natura
è stocastica, viene descritto dalla seguente distribuzione poissoniana:

𝜆𝑛 𝑒 −𝜆
𝑃𝑛,𝑝ℎ =
𝑛!
dove λ il numero medio di fotoni emessi e n numero di fotoni di cui si calcola la probabilità che vengano
generati nel gate temporale. La rivelazione, avendo un’origine casuale ed essendo un fenomeno
bernoulliano, viene descritta dalla seguente binomiale:
𝐵𝑑,𝑛 (𝜂) = (𝑛𝑑 )𝜂𝑑 (1 − 𝜂)𝑛−𝑑
dove η è la PDE (Photon Detection Probability) e d il numero di fotoni rilevati. Di conseguenza, l’intero
processo di emissione e rivelazione dei fotoni è descritto dalla composizione delle suddette distribuzioni
di probabilità, che si dimostra essere equivalente alla poissoniana[2]:

𝑃𝑑,𝑒𝑙 = ∑ 𝐵𝑑,𝑛 (𝜂)𝑃𝑛,𝑝ℎ


𝑛=𝑑

in cui d è il numero di fotoni rilevati.


Il processo di rivelazione avviene ad opera del SiPM, una matrice di fotodiodi a valanga con sensibilità
al singolo fotone. Operando come trasduttore, ogni fotone assorbito viene trasformato in una carica
elettrica iniziale che, a seguito di impatti ionizzanti, incorre in una moltiplicazione di carica esponenziale,
di un fattore dell’ordine di 106; ciò è garantito dal fatto che ogni fotodiodo lavora in modalità Geiger.
Nonostante l’alta omogeneità di risposta da cella a cella da parte del SiPM, poichè le celle colpite sono
distribuite in modo casuale nell’area di risposta del rivelatore, si verificano effetti che causano
l’allargamento dei picchi.
Per questo motivo la distribuzione precedente non può essere usata in un’analisi raffinata: essa non
tiene conto di effetti quali “Dark Counts”, “Optical Cross-Talk” e “After-Pulsing” che oltre all’effetto
di “broadening” provocano un effetto di “smearing”, che rendono le gaussiane meno omogenee. Si
considera dunque una distribuzione di tipo geometrico che descrive tali effetti, da combinare con la
poissoniana descritta precedentemente. Il modello che meglio descrive l’intero processo è il seguente:

𝑒 −𝜇 ∑𝑚 𝑖 𝑖
𝑖=0 𝐵𝑖,𝑚 𝜇 (1 − 𝜀𝑋𝑇 ) 𝜀𝑋𝑇
𝑚−𝑖
𝑃⊗𝐺 =
𝑚!

dove εXT è la probabilità che una valanga attivi una cella secondaria, μ è la media della poissoniana e m
il numero totale (primarie e secondarie) di valanghe rilevate.
Una trattazione più dettagliata è presente in appendice.

2 Risultati

2.1 Acquisizione dati

Figura 2 Fit multigaussiano per bassa intensità.


La funzione in blu risulta dalla composizione dei picchi gaussiani dotati di sufficiente omogeneità. La
polinomiale (in rosso), utilizzata per fittare il fondo, è stata ottenuta con una funzione di sesto grado.
Figura 3 Fit multigaussiano per alta intensità.
Valgono le stesse considerazioni che per la bassa intensità. Per il fit sono state utilizzate 12 gaussiane, a
differenza di quello a bassa intensità per il quale ne sono state utilizzate soltanto 8.

Con il software di analisi dati ROOT[3], si è effettuato un fit sperimentale del segnale di carica acquisito,
nell’intervallo di canali [-50,3050]. La funzione utilizzata per il fit si compone di gaussiane per riprodurre
la forma dei picchi, sommate a una funzione polinomiale di sesto grado per modellare il fondo. Siccome
i picchi corrispondenti sono sempre più smorzati all’aumentare del numero di celle colpite, si è interrotto
il fit dopo j(B)= 8 picchi per la bassa intensità (figura 2), e j(A)=12 per l’alta intensità (figura 3), limite
entro cui il segnale principale è ben distinguibile dal fondo.
Per definire il dominio di ogni gaussiana, si sono individuate qualitativamente le valli dell’istogramma.
Quindi, si sono recuperati i parametri risultanti dal fit multigaussiano in ogni sottointervallo e dal fit con
la funzione polinomiale. Assegnati alla funzione composta, sono stati utilizzati come semi per una
seconda iterazione, previa limitazione dei parametri delle gaussiane, al fine di migliorare la convergenza
del fit, minimizzando il chi quadro. La tabella 1 (si veda la sezione successiva) mostra i parametri finali
della funzione composta.
Si è effettuato un secondo fit in cui il fondo è stato modellato con una parabola, e si sono imposte
condizioni sui parametri in base all’intercetta con l’asse delle ascisse, e ai valori assunti nel punto di
massimo e nell’estremo superiore del dominio. Si è osservata la diminuzione dell’errore sui parametri e
un contestuale aumento del chi quadro per grado di libertà.
Figura 4 Istogramma in cui le entrate di ogni bin rappresentano il numero di volte in cui è stato
colpito un numero di celle variabile da 0 a 7, per l’acquisizione dati a bassa intensità. Si osserva dal
fit che il modello PxG (linea rossa) si adatta meglio ai dati rispetto alla poissoniana (linea verde).
Sono riportati i parametri delle due distribuzioni insieme a quelli dell’istogramma.

Figura 5 Istogramma in cui le entrate di ogni bin rappresentano il numero di volte in cui è stato colpito un
numero di celle variabile da 0 a 11, per l’acquisizione ad alta intensità. Valgono le stesse considerazioni che
per la bassa intensità.
Successivamente, si è costruito un secondo istogramma (figure 4 e 5) contenente nel k-esimo bin le
occorrenze di k celle colpite nel gate temporale prefissato. Sfruttando la corrispondenza biunivoca tra
numero di celle colpite e numero di fotoni incidenti, il binnaggio è stato effettuato attribuendo a Δpp la
media della distanza tra i picchi consecutivi. Si è constatato che tale scelta permette una descrizione più
fedele ai dati rispetto a definire Δpp come la distanza tra il picco 0 e 1, quest’ultimo procedimento
motivato dalla maggior precisione con cui l’ampiezza di questi è determinata rispetto agli altri (si vedano
le tabelle 1 e 2). Ogni bin è stato riempito con il numero di eventi contenuti nel primo istogramma; quindi
per il conteggio effettivo del numero totale di fotoni si è calcolata la somma dei contenuti del bin pesata
per il numero di fotoni corrispondente. Perciò, a parte la distanza Δpp, il secondo istogramma è
indipendente dal fit multigaussiano. Si è effettuato il fit con la distribuzione poissoniana e il modello
PxG, da cui di evince un migliore adattamento di quest’ultimo ai dati sperimentali.

2.2 Elaborazione dati e risultati quantitativi

Media Larghezza Grado

N° celle colpite Ampiezza Parametro


0 1151.8 ± 7.0 0.744 ± 0.077 15.182 ± 0.064 0 1.10 ± 0.67
1 2999 ± 11 173.268 ± 0.049 16.185 ± 0.039 1 (5.28 ± 0.99) ∙ 10-2
2 4029 ± 13 346.297 ± 0.046 16.961 ± 0.038
2 (2.8 ± 1.3) ∙ 10-4
3 3670 ± 12 519.557 ± 0.052 17.602 ± 0.044
3 (69.9 ± 5.9) ∙ 10-7
4 2532 ± 11 692.747 ± 0.069 18.202 ± 0.061
5 1425.7 ± 7.9 865.34 ± 0.10 18.85 ± 0.10 4 (-16.9 ± 1.1) ∙ 10-9
6 677.1 ± 5.7 1037.59 ± 0.16 19.57 ± 0.16 5 (133.1 ± 8.2) ∙ 10-13
7 274.3 ± 4.1 1209.50 ± 0.29 20.18 ± 0.30 6 (-35.2 ± 2.3) ∙ 10-16

i)

N° celle colpite Ampiezza Media Larghezza Grado


Grado Parametro
Parametro

0 28.0 ± 1.1 0.10 + 0.59 14.14 ± 0.56 0 0 0.67 0.67


± ±0.340.34
1 172.1 ± 2.5 174.99 ± 0.20 16.24 ± 0.16 1 1 (2.81(2.81 ± 0.63)
± 0.63) ∙ 10∙ -210-2
2 494.8 ± 4.3 349.19 ± 0.13 17.05 ± 0.10 2 (-38.0 ± 4.0) ∙ -510-5
2 (-38.0 ± 4.0) ∙ 10
3 976.4 ± 6.1 523.88 ± 0.10 17.69 ± 0.08
3 3 (1.41(1.41 ± 0.10)
± 0.10) ∙ 10∙ -610-6
4 1421.2 ± 7.4 698.54 ± 0.08 18.77 ± 0.07
4 4 (-7.8(-7.8 10-10
± 1.2)∙ 10∙ -10
± 1.2)
5 1692.8 ± 8.2 872.29 ± 0.08 19.53 ± 0.08
-14
6 1675.8 ± 8.3 1045.8 ± 0.09 20.55 ± 0.08 5 5 (-5.9
(-5.91 ± ±6.12)
6.1)∙ ∙ 10
10-14
6 1.2) ∙ 10-7-17
7 1434.6 ± 7.8 1219.32 ± 0.11 21.06 ± 0.10 6 (7.39(7.4± ±1.15) ∙ 10
8 1064.1 ± 7.0 1392.14 ± 0.14 21.58 ± 0.14
9 709.5 ± 6.0 1565.18 ± 0.19 22.06 ± 0.19
10 439.7 ± 5.0 1737.92 ± 0.26 23.42 ± 0.28
11 247.7 ± 3.9 1909.18 ± 0.42 25.16 ± 0.45

ii)

Tabella 1 Nella tabella verde sono riportati i parametri riguardanti il fit multigaussiano, in quella blu quelli sui
quali viene costruita la polinomiale che fitta il fondo, rispettivamente per bassa i) e alta ii) intensità.
Dalla minimizzazione del chi quadro effettuata da ROOT per gli istogrammi relativi al conteggio di
fotoni si ottengono i valori dei parametri: il numero medio di celle colpite µ, secondo i due modelli, e la
probabilità εXT che un fotone primario attivi una valanga secondaria, per il modello PxG (si vedano le
figure 4 e 5).
Inoltre, il parametro µ è stato calcolato:
- con una stima “Model Independent”: si divide la media della distribuzione per la media della
̅̅̅̅̅̅
𝐴𝐷𝐶
distanza tra picchi consecutivi: 𝜇𝑀𝐼 = ̅̅̅̅̅̅
, ottenendo 𝝁𝑴𝑰(𝑩) = 𝟑. 𝟑𝟐 ± 𝟎. 𝟎𝟏,
Δpp
𝝁𝑴𝑰(𝑨) = 𝟕. 𝟏𝟔 ± 𝟎. 𝟎𝟖.

- con una stima poissoniana, basata sulla probabilità secondo la distribuzione di Poisson di avere
𝑁0
zero celle colpite: 𝜇𝑍𝑃 = − ln (𝑁 ), ottenendo 𝝁𝒁𝑷(𝑩) = 𝟑. 𝟏𝟐 ± 𝟎. 𝟎𝟏, 𝝁𝒁𝑷(𝑨) = 𝟔. 𝟕𝟗 ±
𝑇𝑂𝑇
𝟎. 𝟎𝟒.

Si rimanda all’appendice per il calcolo dei parametri e le relative incertezze.


Per la media della PxG è stata utilizzata la relazione:
𝜇
𝑚𝑃×𝐺 = 1−𝜀
𝑋𝑇

Si è osservato che non è legittimo un confronto diretto della media dell’istogramma dei conteggi mdati
con la media delle distribuzioni di probabilità mPxG e mpoisson: il dominio di queste si estende oltre i bin
per cui è stato calcolato il numero di fotoni incidenti, perciò hanno un valore intrinsecamente maggiore.
Si è constatato che, sovrapponendo in un grafico le due distribuzioni aventi i parametri recuperati dal fit,
la coda della PxG è più popolata di quella poissoniana. Ciò giustifica il fatto che risulti mPxG > mpoisson e,
siccome si ha mPxG e mpoisson > mdati, anche il fatto che mPxG sia più distante dal valore della media
sperimentale, in apparente contraddizione con i risultati del test del chi quadro. Dato che nell’istogramma
dello spettro i picchi corrispondenti a un maggior numero di celle colpite sono difficilmente attribuibili
con precisione al numero di celle colpite, si è scelto un approccio alternativo all’estendere la coda
dell’istogramma del conteggio dei fotoni. Si è deciso infatti di calcolare la media delle distribuzioni PxG
e poissoniana restringendo l’intervallo fino all’ultimo bin compreso nel fit; i risultati sono coerenti con
il miglior adattamento ai dati sperimentali del modello PxG rispetto a quello puramente poissoniano,
quantificato dal test del chi quadro.
Il numero di fotoni conteggiati per le due acquisizioni, stimato moltiplicando il contenuto di ogni bin per
le corrispondenti celle colpite, è pari a (3.116 ± 0.009)∙106 per la bassa intensità e in (6.295 ± 0.012)∙106
per l’alta intensità.

Conclusioni
Il grado di adattamento del modello PxG ai dati sperimentali, verificato tramite un test del χ2, fornisce
risultati ottimi per quanto riguarda la consistenza dell’ipotesi teorica considerata. Per quanto riguarda i
valori ottenuti a bassa intensità si ottiene un χ2 /d.o.f ≈ 0.8 con P ≈ 0.57, ad alta intensità invece χ2 /d.o.f
≈ 1.3 con P ≈ 0.22. Al contrario i valori attesi dalla poissoniana presentano discrepanze altamente
significative per entrambe le acquisizioni, con P < 0.01 (χ2 /d.o.f ≈ 457, χ2 /d.o.f ≈ 184), in quanto non
vengono considerati effetti caratteristici del rivelatore che alterano la distribuzione di probabilità teorica.
L’apparente miglior valore della media fornito dai parametri della poissoniana (bassa: 3.266 ± 0.002,
alta: 7.056 ± 0.003) rispetto alla PxG (bassa: 3.314 ± 0.007, alta: 7.150 ± 0.015) confrontato con il valore
calcolato a partire dall’istogramma (bassa: 3.166 ± 0.003, alta: 6.701 ± 0.002) può essere giustificato in
modo molto semplice. Si specifica infatti che i valori forniti per le due distribuzioni riguardano un
modello teorico che si estende su tutto il dominio, ben oltre il valore a cui è stato troncato l’istogramma
che rappresenta per ogni bin il numero di entrate sotto ogni gaussiana. In particolare il modello PxG
presenta un maggiore popolamento nella coda rispetto alla poissoniana, questo fa sì che il valore della
media della distribuzione sia maggiore.
Infine, il numero di fotoni conteggiati per le due acquisizioni è stato stimato a (3.116 ± 0.009)∙106 per la
bassa intensità e in (6.295 ± 0.012)∙106 per l’alta intensità.

Bibliografia e sitografia

[1] P. Fornasini, “The Uncertainty in Physical Measurements”, Springer (2008), pag. 202
[2] https://arxiv.org/abs/1308.3622
[3] https://root.cern.ch/root/htmldoc/guides/users-guide/ROOTUsersGuide.html

Appendice

Trattazione degli effetti di “smearing" e “broadening":

Nonostante il fattore moltiplicativo di ~106, a causa della distribuzione randomica delle celle attivate,
all’aumentare dei fotoni aumenterà anche la deviazione standard delle gaussiane, ovvero la larghezza dei
picchi (“broadening"), secondo la legge della radice quadrata per esperimenti di conteggio.
Altri effetti che concorrono ad ampliare i picchi e che causano lo “smearing” sono:
- OCT (Optical Cross-Talk), causato da fotoni di una prima valanga che vanno ad attivare valanghe
secondarie;
- DC (Dark Counts), valanghe spurie che hanno origine da cariche generate termicamente;
- AP (After-Pulses), fotoni di valanghe primarie che rimangono intrappolati in impurità del
materiale e che vengono rilasciati solo in un secondo momento.

Trattazione riguardante la distribuzione geometrica:

Come già accennato, la poissoniana “pura” non tiene conto dell’attivazione di celle “secondarie”.
Assumendo la stessa probabilità εXT per tutte le valanghe primarie di produrre valanghe secondarie, la
distribuzione che meglio tiene conto degli effetti di cui sopra è di tipo geometrico ed è la seguente:
𝑘 (1
𝐺𝑘 (𝜀𝑋𝑇 ) = 𝜀𝑋𝑇 − 𝜀𝑋𝑇 ) con k = 0, 1, 2, …
Per quanto riguarda invece la distribuzione PxG, 𝐵𝑖,𝑚 che compare nella formula è così definita:

1 𝑖 = 0, 𝑚 = 0
0 𝑖 = 0, 𝑚 > 0
𝐵𝑖,𝑚 = { 𝑚! (𝑚 − 1)!
𝑎𝑙𝑡𝑟𝑖𝑚𝑒𝑛𝑡𝑖
𝑖! (𝑖 − 1)! (𝑚 − 𝑖)!

Quest’ultima distribuzione deriva a sua volta dall’analisi della distribuzione originaria

𝑠−1
𝑃 ○ 𝐺 = exp (𝜇 × 1−𝜀𝑠 )
𝑋𝑇

la quale, opportunamente manipolata, porta all’espressione di PxG[2].

Trattazione delle stime per il calcolo di µ:


̅̅̅̅̅̅
𝐴𝐷𝐶
Interessandoci prima della stima “Model Independent”, abbiamo 𝜇𝑀𝐼 = , ̅̅̅̅̅̅ è definito
nella quale 𝐴𝐷𝐶
̅̅̅̅̅̅
𝛥𝑝𝑝
̅̅̅̅̅̅ = ∑𝑖 𝑦𝑖 𝐴𝐷𝐶𝑖.
come: 𝐴𝐷𝐶 ∑ 𝑦
𝑖 𝑖
Pertanto, si ottiene:
∑𝑖 𝑦𝑖 𝐴𝐷𝐶𝑖 𝑗
𝜇𝑀𝐼 =
∑𝑖 𝑦𝑖 ∑𝑘 𝛥𝑝𝑝

dove yi è il numero di eventi nell’i-esimo bin, con i può variare nell’intervallo [-50, 3050], mentre
j(B)=8, k(B) ϵ [0, 7]; j(A)=12, k(A) ϵ [0, 11] .

Per quanto riguarda l’incertezza ΔμMI è stata utilizzata la propagazione “passo per passo”:

̅̅̅̅̅̅ 𝛥𝛥
𝛥𝜇𝑀𝐼 𝛥𝐴𝐷𝐶 ̅̅̅̅̅
𝑝𝑝
= +
𝜇𝑀𝐼 ̅̅̅̅̅̅
𝐴𝐷𝐶 ̅̅̅̅̅
𝛥𝑝𝑝

=> 𝜇𝑀𝐼(𝐵) = 3.32 ± 0.01, 𝜇𝑀𝐼(𝐴) = 7.16 ± 0.08 .

Riguardo invece alla stima poissoniana si ha:

1 ∑𝑖 √𝑦𝑖
0 ) , con incertezza ∆𝜇
𝜇𝑍𝑃 = − ln(𝑃0 ) = − ln (𝑁𝑁𝑇𝑂𝑇 ,
𝑍𝑃 = √𝑁0
+ 𝑁𝑇𝑂𝑇
dove le incertezze sono state propagate con la somma lineare.

=> 𝜇𝑍𝑃(𝐵) = 3.12 ± 0.01, 𝜇𝑍𝑃(𝐴) = 6.79 ± 0.04 .