Trigger Optimization and Event Classification for Dark Matter Searches in the CYGNO Experiment Using Machine Learning

Das Papier stellt zwei maschinelle Lernansätze für das CYGNO-Experiment vor, nämlich einen unüberwachten Autoencoder zur effizienten Online-Datenreduktion und eine schwach überwachte CWoLa-Klassifizierung zur Identifizierung von Kernrückstoß-Ereignissen bei der Suche nach Dunkler Materie.

Das Wesentliche

Stellen Sie sich vor, das CYGNO-Experiment ist wie ein riesiger, hochauflösender Sicherheitskamera-Raum, der im Dunkeln nach winzigen, unsichtbaren Geistern sucht. Diese „Geister" sind die Dunkle Materie, die wir im Universum vermuten, aber nie direkt gesehen haben.

Das Problem ist: Die Kameras machen nicht nur Fotos von den Geistern, sondern von alles. Sie produzieren riesige Bilder (Megapixel), die zu 99,9 % nur aus statischem Rauschen, Lichtreflexionen und „Schnee" bestehen. Wenn man jedes einzelne dieser riesigen Bilder speichern und später analysieren würde, wäre der Computer in Sekunden überlastet – wie ein Bibliothekar, der versucht, jede Seite eines jeden Buches in einer riesigen Bibliothek zu lesen, nur um ein einziges Wort zu finden.

Die Forscher haben nun zwei clevere Tricks mit Künstlicher Intelligenz (KI) entwickelt, um dieses Problem zu lösen. Hier ist die Erklärung in einfachen Worten:

1. Der „Geister-Jäger": Die KI, die nur das Rauschen kennt

(Unüberwachtes Lernen für die Datenauswahl)

Stellen Sie sich vor, Sie haben einen sehr lauten Raum, in dem nur das Summen der Klimaanlage zu hören ist. Sie trainieren eine KI (ein neuronales Netz), dieses Summen auswendig zu lernen. Sie zeigen ihr tausende Aufnahmen, in denen niemand spricht, nur die Klimaanlage summt.

• Der Trick: Sobald die KI das Summen perfekt kennt, schalten Sie die „Lichtverstärkung" der Kamera ein. Plötzlich tauchen winzige Lichtblitze auf – das sind die Spuren der Teilchen (die potenziellen Dunkle-Materie-Geister).
• Die Reaktion: Da die KI nur das Summen (das Rauschen) kennt, fällt ihr sofort auf: „Hey, hier ist etwas, das nicht zum Summen passt!" Sie ignoriert den Rest des Bildes und markiert nur die winzigen Bereiche, wo das Lichtblitzchen ist.
• Das Ergebnis: Die KI schneidet aus einem riesigen Bild (wie einem ganzen Fußballfeld) nur das kleine Quadrat aus, in dem das Ereignis passiert ist.
  • Sie behält 93 % der wichtigen Information.
  • Sie wirft 98 % des unnötigen Mülls weg.
  • Das Ganze passiert in 25 Millisekunden – schneller als ein Blinzeln.

Warum ist das toll? Statt den ganzen Ozean zu speichern, fängt die KI nur die Fische ein, die wirklich interessant sind.

2. Der „Detektiv ohne Namen": Die KI, die Muster erkennt

(Schwach überwachtes Lernen zur Unterscheidung)

Jetzt haben wir die kleinen Bilder, aber wir wissen noch nicht: Ist das ein Dunkle-Materie-Geist (ein Kernrückstoß) oder nur ein harmloses Elektron (ein elektronischer Rückstoß)? Normalerweise braucht man dafür eine KI, die mit tausenden „beschrifteten" Beispielen trainiert wurde (z. B. „Das hier ist ein Geist, das hier ist kein Geist").

Aber im CYGNO-Experiment gibt es keine perfekten Beschriftungen. Hier kommt der zweite Trick ins Spiel, genannt CWoLa (Classification Without Labels – Klassifizierung ohne Etiketten).

• Das Szenario: Stellen Sie sich zwei Mischungen vor:
  1. Ein Glas mit Wasser, in dem ein paar kleine Kieselsteine (Neutronen/Geister) schwimmen.
  2. Ein Glas mit reinem Wasser (nur Hintergrundrauschen).
     Die Forscher wissen nicht, welcher Kieselstein in welchem Glas ist, aber sie wissen, dass Glas 1 mehr Kieselsteine enthält als Glas 2.
• Die Aufgabe: Die KI bekommt beide Gläser gemischt und soll lernen, die Kieselsteine vom Wasser zu unterscheiden, ohne dass ihr jemand sagt, welcher Stein wo ist.
• Die Lösung: Die KI schaut sich die Form der Kieselsteine an. Sie merkt: „Die Kieselsteine in Glas 1 sind oft rund und kompakt, während die im Glas 2 eher langgezogen und unregelmäßig sind."
• Das Ergebnis: Die KI lernt, die „runden" Muster (die echten Dunkle-Materie-Signale) zu identifizieren, obwohl sie nie gelernt hat, was ein „rundes Muster" ist. Sie findet einfach die Muster, die in der „Kieselstein-Mischung" häufiger vorkommen als im reinen Wasser.

Zusammenfassung

Das CYGNO-Team hat also zwei Superkräfte für ihre Suche nach Dunkler Materie entwickelt:

1. Der schnelle Filter: Eine KI, die nur das Rauschen kennt und sofort die winzigen, interessanten Lichtblitze aus riesigen Bildern herausschneidet. Das spart enorm viel Speicherplatz und Zeit.
2. Der intuitive Detektiv: Eine KI, die aus gemischten Daten lernt, die echten „Geister" (Dunkle Materie) von den harmlosen „Störern" zu unterscheiden, indem sie nach bestimmten Formen sucht, ohne dass jemand ihr vorher gezeigt hat, wie diese aussehen.

Diese Methoden sind wie ein hochmodernes Sicherheitssystem, das nicht nur alles aufzeichnet, sondern sofort weiß, was wichtig ist und was nur Staub ist – und das alles, ohne dass ein Mensch jede Sekunde zuschauen muss. Das ist ein riesiger Schritt hin zu einer Zukunft, in der wir die Geheimnisse des Universums entschlüsseln können.

Technische Zusammenfassung

Technische Zusammenfassung: Trigger-Optimierung und Ereignisklassifizierung für Dunkle-Materie-Suchen im CYGNO-Experiment mittels Machine Learning

Hintergrund und Problemstellung
Das CYGNO-Experiment (CYGNUS Optical Readout) nutzt einen optisch ausgelesenen Zeitprojektionskammer (TPC) mit einer Helium-CF4-Gasmischung, um seltene Wechselwirkungen niedriger Energie (im Bereich von 1–100 keV) zu detektieren, die auf Dunkle-Materie-Teilchen hindeuten könnten. Die ionisierten Elektronen werden in einem Gas-Elektronen-Multiplier (GEM) gestapelt verstärkt und erzeugen elektrolumineszierendes Licht, das von wissenschaftlichen CMOS-Kameras aufgezeichnet wird.

Das zentrale Problem liegt in der enormen Datenmenge:

• Die Kameras erzeugen hochauflösende Megapixel-Bilder, wobei das physikalische Signal (z. B. Kernrückstoßspuren) nur einen winzigen Bruchteil der Pixel besetzt.
• Die Speicherung ganzer Bilder bei mehreren Hz führt zu einem Datendurchsatz von ca. 100 MB/s, was für den zukünftigen CYGNO-04-Demonstrator untragbar ist.
• Herkömmliche Offline-Rekonstruktionspipelines sind zu langsam (Latenz im Sekundenbereich) für einen Echtzeit-Trigger.
• Es besteht die Notwendigkeit, sowohl eine schnelle Datenreduktion (Fokussierung auf Regionen von Interesse, ROIs) als auch eine Unterscheidung zwischen Kernrückstößen (NR, Signal) und elektronischen Rückstößen (ER, Untergrund) durchzuführen, oft ohne vollständige Ereignis-Labels.

Methodik
Das Papier stellt zwei komplementäre Machine-Learning-Ansätze vor, die mit minimalem Supervision auskommen:

1. Unüberwachtes ROI-Extrahieren durch Anomalieerkennung (Autoencoder):

   • Ansatz: Ein vollständig unüberwachter Ansatz zur Online-Datenreduktion.
   • Training: Ein Convolutional Autoencoder (CAE) wird ausschließlich auf "Pedestal"-Daten trainiert (Bilder, bei denen die GEM-Verstärkung deaktiviert ist). Das Modell lernt somit die Morphologie des Detektorrauschens (Leserauschen, statische Artefakte, Dunkelzählrate).
   • Inferenz: Bei Standard-Bildern (mit Signal) versucht der Autoencoder, das Bild zu rekonstruieren. Da er nur das Rauschen kennt, scheitert die Rekonstruktion an den durch Teilchen induzierten Strukturen.
   • Anomaliekarte: Die Differenz zwischen Eingabe und Rekonstruktion ($r(x) = |x - \hat{x}|$) bildet eine Anomaliekarte.
   • ROI-Bildung: Durch Anwendung eines globalen Schwellenwerts und morphologischer Operationen (Closing) werden aus den Residuen kompakte Regionen von Interesse (ROIs) extrahiert.
   • Architektur: Der CAE nutzt gestaffelte Faltungen, transponierte Faltungen, Skip-Connections und eine latente Darstellung von 128 Dimensionen. Das Trainingsziel kombiniert Mean Square Error (MSE) und Structural Similarity (SSIM).

2. Schwach überwachte Klassifizierung mittels CWoLa (Classification Without Labels):

   • Ansatz: Eine schwach überwachte Methode zur Identifizierung von Kernrückstoß-Topologien (NR) ohne Ereignis-Labels.
   • Datenbasis: Nutzung eines Americium-Beryllium (AmBe)-Neutronenquellen-Sets. Das AmBe-Set enthält eine Mischung aus NR-Signalen (durch Neutronen) und ER-Untergrund (durch Gamma-Strahlung), während ein Standard-Set (STD) nur Untergrund enthält.
   • Mischungsverhältnis: In einem definierten Energie-Dichte-Bereich beträgt der signalattributierte Anteil im AmBe-Set $\alpha = (32,0 \pm 0,9)\%$. Dies setzt eine theoretische Obergrenze für die Trennleistung (AUC) fest.
   • Training: Ein Convolutional Neural Network (CNN) wird trainiert, um die beiden gemischten Datensätze (AmBe vs. STD) auf Basis des Stichproben-Labels zu unterscheiden. Theoretisch lernt der Klassifikator asymptotisch den optimalen $S$-vs.-$B$-Diskriminator.
   • Architektur: Ein kompaktes CNN auf 128x128 Graustufen-Bildern, trainiert mit Adam-Optimizer und Binary Cross-Entropy.

Wichtige Ergebnisse

• ROI-Extraktion (Autoencoder):

  • Auf einem Testset von 1563 rekonstruierten Ereignissen wurde eine Signalintensitäts-Abdeckung von $(93,0 \pm 0,2)\%$ erreicht.
  • Gleichzeitig wurden $(97,8 \pm 0,1)\%$ der Bildfläche verworfen (hohe Kompression).
  • Die Inferenzzeit pro Bild beträgt ca. 25 ms auf einer Consumer-GPU, was eine Echtzeit-Anwendung ermöglicht.
  • Die Methode ist robust gegenüber moderaten Änderungen des Schwellenwerts.

• Ereignisklassifizierung (CWoLa):

  • Der Klassifikator erreichte eine Leistung, die der theoretischen Obergrenze nahekommt: $AUC_{max} = 0,5 + \alpha/2 = (0,660 \pm 0,005)$.
  • Die ausgewählten Ereignisse (Score $> 0,8$) zeigen im Energie-Dichte-Diagramm eine hohe Dichte und kompakte, annähernd kreisförmige Morphologien, die konsistent mit Kernrückstößen sind.
  • Dies bestätigt, dass die Methode die Trennkraft aus den gemischten Proben nahezu optimal extrahiert.

Bedeutung und Ausblick
Die vorgestellten Ergebnisse demonstrieren einen vielversprechenden Weg für skalierbare Online-Auswahlverfahren in zukünftigen optischen TPCs für Dunkle-Materie-Experimente:

1. Der unüberwachte Autoencoder bietet eine realistische Basis für die drastische Reduktion des Datendurchsatzes, ohne physikalische Signale zu verlieren.
2. Der CWoLa-Ansatz zeigt, dass selbst ohne detaillierte Ereignis-Labels effektive Signal-Untergrund-Trennung möglich ist, indem man die statistischen Eigenschaften gemischter Kalibrierungsdaten nutzt.

Diese Methoden sind nicht nur für CYGNO relevant, sondern stellen allgemein anwendbare Strategien für die Lokalisierung seltener Signale und das schwach überwachte Lernen in der Teilchenphysik dar. Die Arbeit wurde im Rahmen des 14. Young Researcher Meeting (YRM 2025) am Gran Sasso Science Institute präsentiert.