An assay-based background projection for the MAJORANA DEMONSTRATOR using Monte Carlo Uncertainty Propagation

فيما يلي ملخص تقني مفصل لورقة البحث بعنوان "إسقاط خلفية قائم على المقايسة لـ Majorana Demonstrator باستخدام انتشار اليقين بطريقة مونت كارلو".

1. بيان المشكلة

في التجارب التي تبحث عن اضمحلال بيتا المزدوج عديم النيوترينو ($0\nu\beta\beta$)، يعد مؤشر الخلفية (BI) مقياساً حرجاً يُستخدم لإسقاط حساسية التجربة لعمر النصف للتحلل. يمثل مؤشر الخلفية معدل الخلفية في عدد العدات لكل كيلو إلكترون فولت، لكل كيلوغرام من كتلة الكاشف، في السنة (cts/(keV kg yr)).

لقد سجل تجربة Majorana Demonstrator، وهي تجربة نموذجية تستخدم كواشف جرمانيوم عالية النقاء (HPGe) غنية بـ $^{76}$Ge، مؤشر خلفية مُقاساً قدره $6.2^{+0.6}_{-0.5} \times 10^{-3}$ cts/(keV kg yr). وكان هذا أعلى بكثير من مؤشر الخلفية المتوقع أصلاً وهو $< 8.75 \times 10^{-4}$ cts/(keV kg yr).

تتمثل المشكلات الجوهرية التي تعالجها هذه الدراسة في:

• انتشار اليقين (Uncertainty Propagation): تعاملت الإسقاطات السابقة مع الأنشطة النوعية (من المقايسات الإشعاعية)، وكتل المكونات، وكفاءات المحاكاة كقيم أحادية. وقد فشل ذلك في استيعاب حالات عدم اليقين الكبيرة المتأصلة في بيانات المقايسة، لا سيما عندما تختلف القياسات أو تؤدي إلى حدود عليا.
• التعامل مع الحدود العليا: واجهت الطرق القياسية صعوبة في دمج نتائج المقايسة المتعددة حيث كانت بعضها قيماً مقاسة والبعض الآخر حدوداً عليا (عدم رصد)، مما أدى غالباً إلى حدود دنيا غير واقعية أو تجاهل مساهمات معينة.
• الكفاءات الصفرية (Null Efficiencies): المكونات البعيدة عن مصفوفة الكاشف كان لها "كفاءة محاكاة" صفرية في النماذج الحتمية. ومع ذلك، وبسبب التقلبات الإحصائية في محاكاة مونت كارلو، يمكن لهذه المكونات أن تساهم في الخلفية، وهو عامل لم يؤخذ في الحسبان سابقاً.
• التفاوت في البيانات: أعطت عينات مكررة من نفس المادة أنشطة نوعية لا تتفق ضمن هوامش الخطأ الخاصة بها، مما تطلب طريقة إحصائية قوية لدمجها.

2. المنهجية

طوّر المؤلفون إطاراً بايزياً (Bayesian framework) يستخدم انتشار اليقين بطريقة مونت كارلو (MC uncertainty propagation) لتوليد توزيع احتمالي لمؤشر الخلفية بدلاً من تقدير نقطي واحد.

أ. نهج موحد لدمج نتائج المقايسة

للتعامل مع قياسات المقايسة المتعددة (بما في ذلك الحدود العليا) للمواد النوعية:

• المتوسط الموزون: اعتمدوا طريقة مجموعة بيانات الجسيمات (PDG) للمتوسط غير المقيد. يتم وزن الأنشطة النوعية ($a_k$) باستخدام مقلوب مربع عدم اليقين الخاص بها ($w_k = 1/\delta a_k^2$).
• التعامل مع الحدود العليا: تُعامل الحدود العليا كأشكال توزيع غاوسي (Gaussian) مبتورة عند الصفر. ويتم تضمين الحد الأعلى الأكثر صرامة عند مستوى ثقة 90% فقط في المتوسط لتجنب خفض الحد بشكل مصطنع من خلال التكرار في حالات عدم الرصد.
• عامل القياس ($\Sigma$): إذا أظهرت القياسات تشتتاً كبيراً ($\chi^2/(N_a-1) > 1$)، يتم قياس عدم اليقين بواسطة $\Sigma = \sqrt{\chi^2/(N_a-1)}$ لأخذ التباينات المنهجية غير المفسرة أو الاختلافات بين العينات في الاعتبار.

ب. تحويل القيم الأحادية إلى توزيعات

يقوم الإطار بتحويل المدخلات أحادية القيمة إلى دالات كثافة احتمالية (PDFs):

1. النشاط النوعي ($a$) والكتلة ($m$): تم نمذجتهما كتوزيعات غاوسية مبتورة عند الصفر. تتراوح شكوك الكتلة من 1% (قياس مباشر) إلى 10% (تقدير هندسي).
2. كفاءة المحاكاة ($\epsilon$):
   • بدلاً من قيمة كفاءة واحدة مشتقة من $N_{counts}/N_{simulated}$، تُعامل الكفاءة كمتغير عشوائي.
   • باستخدام نظرية بايز مع "prior" غير معلوماتي، فإن احتمال القيمة المتوقعة الحقيقية $\lambda$ بمعلومية عدد العدات المرصودة $n$ يتبع توزيع غاما (Gamma distribution).
   • يسمح هذا للمكونات ذات "العدات المرصودة صفر" في المحاكاة بأن يكون لها احتمال غير صفري للمساهمة في الخلفية، مما يضع حداً إحصائياً علوياً بناءً على عدد عمليات الاضمحلال المحاكات.

C. انتشار اليقين بطريقة مونت كارلو

يتم حساب مؤشر الخلفية النهائي من خلال:

1. سحب عينات عشوائية من دالات كثافة الاحتمالية (PDFs) للنشاط النوعي، والكتلة، وكفاءة المحاكاة لكل مكون.
2. حساب مساهمة مؤشر الخلفية لكل مكون باستخدام الصيغة: $BI_i \propto a_i \times m_i \times \epsilon_i$.
3. تكرار هذه العملية $10^6$ مرة لتوليد توزيع كامل لمؤشر الخلفي لكل مجموعة مكونات وللتجربة ككل.
4. جمع التوزيعات للحصول على إجمالي الخلفية المتوقعة.

3. المساهمات الرئيسية

• إطار عمل مبتكر: تقديم إطار بايزي موحد يعامل بيانات المقايسة، والكتلة، وإحصاءات المحاكاة كتوزيعات بدلاً من تقديرات نقطية.
• التعامل القوي مع الحدود العليا: منهجية صارمة لدمج الحدود العليا للمقايسات في إسقاطات الخلفية دون التحيز للأسفل.
• المعالجة الإحصائية للكفاءات الصفرية: القدرة على تحديد مساهمات الخلفية من المكونات ذات "العدات المحاكات الصفرية" من خلال نمذجة الكفاءة كتوزيع غاما، مما يمنع التقليل من شأن الخلفية الناتجة عن المكونات البعيدة أو منخفضة النشاط.
• التقنين: توفر المنهجية نموذجاً لتقنين تقارير المقايسة وانتشار اليقين لمجتمع الفيزياء منخفضة الخلفية بشكل أوسع.

4. النتائج

طُبق الإطار على هندسة "كما بُنيت" (as-built) لـ Majorana Demonstrator، مع مراعاة تلوث $^{232}$Th و $^{238}$U فقط (باستبعاد $^{40}$K لأن أشعة غاما الخاصة به تقع تحت منطقة الاهتمام).

• مؤشر الخلفية المتوقع: متوسط مؤشر الخلفية المتوقع بناءً على المقايسة هو:
  $$BI_{assay} = [8.95 \pm 0.36] \times 10^{-4} \text{ cts/(keV kg yr)}$$
  • التفصيل:
    • مساهمة $^{232}$Th: $[7.37 \pm 0.24] \times 10^{-4}$
    • مساهمة $^{238}$U: $[1.58 \pm 0.11] \times 10^{-4}$
• مصادر عدم اليقين: يهيمن عدم اليقين في قياسات النشاط النوعي (act.) على عدم اليقين في إحصاءات المحاكاة (stat.).
• المقارنة مع الإسقاطات السابقة:
  • الإسقاط الجديد ($8.95 \times 10^{-4}$) أعلى بنسبة 44% تقريباً من إسقاط الهندسة التصميمية الأصلية ($6.4 \times 10^{-4}$، المستمد من المرجع [15] الذي استخدم المجموع المباشر للحدود العليا).
  • يُعزى هذه الزيادة إلى الإدراج الصحيح لعدم اليقين ومساهمة المكونات ذات الكفاءات الفردية الصفرية.
• مساهمات المكونات: تم تحديد أكبر المساهمين في الخلفية وهم الواجهات الأمامية (الإلكترونيات)، الكابلات، و درع الرصاص (Pb Shielding).

5. الأهمية

• إسقاطات حساسية واقعية: من خلال نشر عدم اليقين بشكل صحيح، توفر هذه الطريقة تقديراً أكثر واقعية وتحفظاً لمؤشر الخلفية، وهو أمر بالغ الأهمية لحساب الوصول الفيزيائي الحقيقي (حساسية نصف العمر) لتجارب $0\nu\beta\beta$ الحالية والمستقبلية (مثل LEGEND و nEXO).
• تحسين الموارد: يسمح الإطار للمحللين بتحديد عدد عمليات الاضمحلال المحاكات اللازمة لتقليل عدم اليقين الإحصائي إلى مستوى مهمل، مما يحسن استهلاك الموارد الحسابية.
• معيار مجتمعي: يوفر النهج الموحد لمتوسط نتائج المقايسة (التعامل مع الحدود العليا والتشتت) طريقة معيارية لمجتمع الخلفية المنخفضة، مما يسهز تبادل البيانات والمقارنة بين التجارب المختلفة.
• تفسير التناقضات: توضح الدراسة أن التناقض بين الإسقاط التصميمي الأصلي لـ Demonstrator وأدائه الفعلي يعود إلى التقليل من شأن عدم اليقين واستبعاد مكونات "الصفر كفاءة" في النماذج الحتمية السابقة.

في الختام، تضع هذه الورقة أساساً إحصائياً صارماً لإسقاط الخلفية في عمليات البحث عن الأحداث النادرة، مبتعدة عن الحدود العليا الحتمية نحو التوزيعات الاحتمالية التي تأخذ في الحسبان بشكل كامل عدم اليقين التجريبي وإحصاءات المحاكاة.