Studio delle performance di sensori LGAD ultra-sottili con tecniche di machine learning

In questo lavoro di tesi sono stati studiati sensori al silicio LGAD (Low Gain Avalanche Detector) di 15 μm di spessore. Questo tipo di sensore, nella sua configurazione standard da 50 μm di spessore, è in grado di fornire elevate prestazioni di timing; simulazioni indicano però che tali prestazioni possono essere ulteriormente migliorate utilizzando spessori minori, anche se questo implica segnali più ripidi, più piccoli e un peggior rapporto segnale-su-rumore che deve essere gestito da una adeguata elettronica di front-end. La risoluzione temporale di tali sensori, prodotti dalla Fondazione Bruno Kessler (FBK), è stata misurata attraverso un test su fascio di particelle cariche alla facility T10 del CERN ed utilizzando un algoritmo di Machine Learning (ML) basato su reti neurali convoluzionali (CNN) implementato utilizzando il framework TensorFlow e l’API Keras. L’algoritmo è stato applicato ai segnali analogici degli LGAD, registrati tramite oscilloscopio, in modo da separare efficacemente i piccoli segnali forniti dai sensori dal rumore di fondo. I dati ottenuti riportano una risoluzione temporale dell’ordine di 30 ps, in linea con i risultati ottenuti con altre tecniche di analisi temporale meno sofisticate, confermando quindi i risultati ottenuti in quelle analisi.