Pulse shape discrimination for $\alpha$ event rejection in BEGe-type high-purity germanium detectors

Diese Studie zeigt, dass Pulsformdiskriminierungsklassifikatoren, die ausschließlich auf Gammastrahlendaten trainiert wurden, Alpha-Ereignisse in hochreinen Germanium-Detektoren effektiv identifizieren und zurückweisen können, was eine robuste Strategie zur Unterdrückung von Untergrund für zukünftige Suchen nach neutrinolosem doppeltem Betazerfall wie LEGEND bietet, wo spezifische Alpha-Trainingsdaten unzureichend sind.

Das Wesentliche

Stellen Sie sich vor, Sie versuchen, ein einziges, perfektes Flüstern in einem sehr lauten Raum zu hören. Das ist im Wesentlichen das, was Wissenschaftler tun, wenn sie nach einem seltenen Ereignis namens „neutrinoloser doppelter Betazerfall" suchen. Sie verwenden extrem empfindliche Mikrofone aus reinen Germaniumkristallen (Detektoren), um diese Flüstern einzufangen.

Der Raum ist jedoch voller anderer Geräusche:

1. Das „schlechte" Geräusch: Manchmal prallen Gammastrahlen (eine Art Strahlung) mehrmals im Raum ab, bevor sie stoppen. Das ist wie das Klatschen von Händen in verschiedenen Ecken des Raums. Die Wissenschaftler wollen diese ignorieren.
2. Das „Eindringlings"-Geräusch: Manchmal landen Alphateilchen (winzige, schwere radioaktive Partikel) direkt auf der Oberfläche des Mikrofons. Das ist wie jemand, der mit dem Finger direkt auf das Mikrofon klopft. Sie erzeugen ein Geräusch, das dem „Flüstern" sehr ähnlich sieht, nach dem die Wissenschaftler suchen, und könnten sie potenziell täuschen, indem sie denken, sie hätten etwas gefunden, obwohl sie es nicht getan haben.

Das Problem

Normalerweise zeigen Wissenschaftler einem Computer, um ihn zu lehren, das „schlechte Geräusch" (Gammastrahlen) zu ignorieren, Tausende von Beispielen dieser Geräusche. Doch beim „Eindringlings"-Geräusch (Alphateilchen) gibt es einen Haken: In echten Experimenten sind diese Eindringlinge so selten, dass es nicht genug von ihnen gibt, um dem Computer beizubringen, wie sie aussehen.

Die große Frage, die diese Arbeit stellt, lautet: Können wir dem Computer beibringen, den „Eindringling" zu erkennen, indem wir ihm nur das „schlechte Geräusch" (Gammastrahlen) zeigen, ohne ihm jemals einen echten Eindringling zu zeigen?

Das Experiment

Die Forscher bauten einen hochtechnischen Germaniumdetektor (ein „BEGe"-Typ) auf und führten zwei Dinge durch:

1. Training: Sie beschossen den Detektor mit Gammastrahlen (unter Verwendung einer Thoriumquelle), um zwei verschiedene Computerprogramme (einen „Multilayer Perceptron" und einen „Projective Likelihood"-Klassifikator) zu lehren, den Unterschied zwischen einem einzelnen Abpraller (gut) und mehreren Abprallern (schlecht) zu erkennen.
2. Testen: Anschließend platzierten sie eine Quelle aus Polonium (ein Alphastrahler) direkt auf der Oberfläche des Detektors. Dies erzeugte Tausende von „Eindringlings"-Ereignissen. Sie fragten den Computer: „Hey, du hast von den Gammastrahlen gelernt. Kannst du nun diese Alphateilchen erkennen und zurückweisen?"

Die Ergebnisse

Die Computerprogramme waren dabei überraschend gut.

• Der „kluge" Filter: Die beste Methode, eine Art Künstliches Neuronales Netz (ein Multilayer Perceptron oder MLP), fungierte wie ein superkluger Türsteher.
• Das Gute behalten: Es behielt über 80 % der „Flüstern" (die einortigen Gamma-Ereignisse, die wie das gesuchte Signal aussehen).
• Das Schlechte ablehnen: Es warf über 80 % des „Klatschens" (die mehrortigen Gamma-Ereignisse) hinaus.
• Die Eindringlinge hinausbefördern: Am wichtigsten ist, dass es die Alphateilchen mit unglaublicher Effizienz zurückwies. Es filterte mehr als 27.000 Alphateilchen heraus, bevor eines durchkam.

Die Analogie

Stellen Sie sich den Detektor als eine Überwachungskamera vor.

• Gammastrahlen sind wie Menschen, die durch eine Tür gehen; manchmal geht eine Person durch (gut), manchmal geht eine Gruppe zusammen durch (schlecht). Die Kamera lernt, die Gruppen zu erkennen.
• Alphateilchen sind wie jemand, der versucht, durch ein Fenster direkt neben der Tür zu klettern.
• Die Arbeit zeigt, dass die Kamera, indem sie lernt, die „Gruppen" an der Tür zu erkennen, auch lernte, den „Kletterer" am Fenster zu erkennen, obwohl sie während ihres Trainings nie einen Kletterer gesehen hatte.

Die Schlussfolgerung

Die Arbeit kommt zu dem Schluss, dass man keine massive Bibliothek seltener „Eindringlings"-Beispiele benötigt, um Ihrem Detektor beizubringen, sie abzulehnen. Indem man das System nur auf dem häufigeren „schlechten Geräusch" (Gammastrahlen) trainiert, lernen die maschinellen Lernalgorithmen auf natürliche Weise, auch die „Eindringlinge" (Alphateilchen) zu erkennen.

Dies ist ein großer Gewinn für zukünftige Experimente (wie das im Text erwähnte LEGEND-Projekt), da dies bedeutet, dass sie Detektoren bauen können, die sauberer und empfindlicher sind, ohne Jahre warten zu müssen, um genügend seltene Alpha-Ereignisse zu sammeln, um ihre Software zu trainieren. Der „kluge Filter" funktioniert sofort, unter Verwendung nur der Daten, die sie bereits haben.

Technische Zusammenfassung

Technischer Überblick: Pulsformdiskriminierung zur $\alpha$-Ereignisunterdrückung in BEGe-Typ HPGe-Detektoren

Problemstellung
Reinheitsgehalt-Germanium-Detektoren (HPGe) sind zentral für die Suche nach seltenen Ereignissen, insbesondere für die Suche nach dem neutrinolosen Doppelbeta-Zerfall ($0\nu\beta\beta$) in $^{76}\text{Ge}$ (z. B. das LEGEND-Experiment). Obwohl diese Detektoren eine hervorragende Energieauflösung und intrinsische Reinheit bieten, bleiben sie anfällig für Untergrundereignisse. Eine spezifische Herausforderung ist die Unterdrückung von $\alpha$-Teilchen, die von Oberflächenkontaminanten wie $^{210}\text{Po}$ und $^{226}\text{Ra}$ emittiert werden. Befinden sich diese Emittenten auf dem dünnen $p^+$-Kontakt des Detektors, können $\alpha$-Teilchen einen Bruchteil ihrer Energie im aktiven Volumen ablagern und Signale erzeugen, die den Bereich von Interesse (ROI) um den $Q_{\beta\beta}$-Wert von 2039 keV imitieren könnten.

Standardmethoden zur Pulsformdiskriminierung (PSD) sind effektiv darin, einortige Ereignisse (SSE, signalähnlich) von mehrortigen Ereignissen (MSE, untergrundähnliche $\gamma$-Strahlung) zu unterscheiden. Allerdings ähneln $\alpha$-Ereignisse typischerweise ebenfalls SSEs, was ihre Unterdrückung mittels standardmäßiger, auf $\gamma$ basierender PSD-Schnitte erschwert. Darüber hinaus ist in Experimenten mit niedrigem Untergrund die Gesamtzahl der beobachteten $\alpha$-Ereignisse über die Lebensdauer des Experiments oft zu gering, um dedizierte Klassifikatoren speziell für die $\alpha$-Unterdrückung zu trainieren. Das behandelte Kernproblem besteht darin, ob ein PSD-Klassifikator, der ausschließlich auf hochstatistischen $\gamma$-Strahlungsdaten (SSE vs. MSE) trainiert wurde, $\alpha$-Ereignisse effektiv identifizieren und unterdrücken kann, ohne dass dedizierte $\alpha$-Trainingsdaten erforderlich sind.

Methodik
Die Studie verwendete einen Punkt-Kontakt-Broad-Energy-Germanium-Detektor (BEGe). Zwei Messkampagnen wurden an der Oberfläche durchgeführt:

1. Niedrige Statistik (LS): Unter Verwendung einer $^{209}\text{Po}$-Quelle ($\sim$0,1 Bq), was zu $\sim 1,36 \times 10^5$ $\alpha$-Ereignissen führte.
2. Hohe Statistik (HS): Unter Verwendung einer $^{210}\text{Po}$-Quelle ($\sim$1 Bq), was zu $\sim 1,87 \times 10^6$ $\alpha$-Ereignissen führte.

In beiden Kampagnen wurde eine Goldfolie mit abgelagertem Polonium direkt auf den $p^+$-Kontakt des Detektors gelegt, um Oberflächenkontamination zu simulieren. Kalibrierungsläufe mit einer $^{228}\text{Th}$-Quelle lieferten die Trainingsdaten für die PSD-Klassifikatoren.

Zwei maschinelle Lernansätze (ML) wurden untersucht:

• Projective Likelihood (PLK): Ein Naive-Bayes-Klassifikator, der statistische Unabhängigkeit zwischen den Eingangsmerkmalen annimmt.
• Multilayer Perceptron (MLP): Ein feed-forward künstliches neuronales Netz mit sechs dichten Schichten (Dimensionen: 64-32-16-8-4-1), das ReLU-Aktivierung für verborgene Schichten und Sigmoid für die Ausgabe verwendet.

Eingangsmerkmale und Training:

• Die Eingabe bestand aus 64 Punkten der ansteigenden Flanke der Rohwellenform (32 Proben vor, 1 bei und 31 nach dem aktuellen Maximum).
• Trainingsdatensätze wurden aus $^{228}\text{Th}$-Kalibrierungsläufen konstruiert, wobei spezifische Energiebereiche zur Definition von SSE-Klassen (Doppel-Fluchtpeaks, Compton-Kante) und MSE-Klassen (Einzel-Fluchtpeaks, Vollenergie-Peaks, Multi-Compton-Streuung) ausgewählt wurden.
• Sechs verschiedene Trainingskonfigurationen (TC1–TC6) wurden getestet, wobei die spezifischen Peaks für die SSE- und MSE-Definitionen variiert wurden.
• Ein traditioneller A/E-Klassifikator (Amplitude/Energie) diente als Benchmark.

Hauptergebnisse
Die Klassifikatoren wurden anhand dreier Metriken bewertet: SSE-Überlebensrate (Signaleffizienz), MSE-Unterdrückung (Untergrundunterdrückung) und $\alpha$-Unterdrückungsfaktor.

1. Leistung bei $\gamma$-Untergrund: Beide ML-Methoden trennten SSE- und MSE-Ereignisse erfolgreich. Konfigurationen, die auf Doppel-Fluchtpeaks (DEP) trainiert wurden, schnitten im Allgemeinen besser ab als solche, die auf der Compton-Kante (CE) trainiert wurden. Der MLP erreichte SSE-Überlebensraten von $>80\%$ und MSE-Überlebensraten von $<20\%$, was mit früheren Ergebnissen von GERDA und LEGEND übereinstimmt oder diese übertrifft.
2. Leistung bei $\alpha$-Unterdrückung: Entscheidend ist, dass Klassifikatoren, die ausschließlich auf $\gamma$-Daten trainiert wurden, eine starke Fähigkeit zur Unterdrückung von $\alpha$-Ereignissen zeigten.
   • MLP: Erzielte die beste Gesamtleistung. Für den HS-Lauf (TC2-Konfiguration) ergab sich ein $\alpha$-Unterdrückungsfaktor $> 2,71 \times 10^4$ (bei 90 % Konfidenzniveau) bei gleichzeitiger Aufrechterhaltung einer hohen Signaleffizienz.
   • PLK: Ebenfalls effektiv, jedoch in Bezug auf die untere Grenze des Unterdrückungsfaktors etwas weniger leistungsfähig als der MLP.
   • A/E: Die traditionelle A/E-Methode zeigte eine deutlich schwächere $\alpha$-Unterdrückung (Faktor $\sim 54$), wobei Rest-$\alpha$-Peaks in den Spektren weiterhin sichtbar blieben.
3. Wellenformanalyse: Die Studie beobachtete, dass sich $\alpha$-Ereignisse im Allgemeinen bei niedrigeren MLP-Werten als die Signalklasse gruppieren. Allerdings erschien ein sekundärer Cluster von $\alpha$-Ereignissen (ca. 1 % der Gesamtzahl) näher an der Signalklasse, wahrscheinlich aufgrund von Ereignissen in der Nähe der Ränder des Kontakts. Trotz dessen maximierte der optimale Schwellenwert die Figure of Merit (FoM) und unterdrückte gleichzeitig die überwiegende Mehrheit der $\alpha$-Ereignisse.

Bedeutung und Behauptungen
Die Arbeit behauptet, dass eine robuste Pulsformdiskriminierung für HPGe-Detektoren unter Verwendung von Trainingsinformationen erreicht werden kann, die ausschließlich aus $\gamma$-Ereignissen abgeleitet sind. Dieser Befund ist bedeutend, da er eine praktische Strategie für zukünftige $0\nu\beta\beta$-Experimente (wie LEGEND) bietet, bei denen dedizierte $\alpha$-Trainingsdaten aufgrund der Seltenheit solcher Ereignisse nicht verfügbar sind.

Die Autoren kommen zu dem Schluss, dass:

• Es nicht notwendig ist, separate, dedizierte Klassifikatoren für die $\alpha$-Unterdrückung zu entwickeln.
• Ein einzelner PSD-Schnitt, der auf $\gamma$-Daten optimiert wurde, gleichzeitig mehrortige $\gamma$-Untergründe und Oberflächen-$\alpha$-Untergründe mit hoher Effizienz unterdrücken kann.
• Der MLP-Ansatz sowohl dem PLK als auch der traditionellen A/E-Methode für diese zweckgebundene Unterdrückung überlegen ist.

Die Studie erkennt Einschränkungen an, einschließlich der Messbedingungen an der Oberfläche (höherer Myon-Untergrund) und der spezifischen Detektorkonfiguration (JFET-Austausch zwischen den Kampagnen). Die Autoren schlagen vor, dass die Wiederholung des Experiments unterirdisch den Untergrund weiter reduzieren würde, was potenziell einen $\alpha$-Unterdrückungsfaktor in der Größenordnung von $10^5$ ermöglichen könnte.