WavePID: Low-energy flavor identification using single-PMT time series in IceCube

Technische Zusammenfassung: WavePID: Niedrigenergiemessung der Flavor-Identifikation mittels Single-PMT-Zeitreihen in IceCube

Problemstellung
Das IceCube Neutrino-Observatorium verlässt sich auf die Ereignismorphologie, um zwischen Neutrino-Flavors zu unterscheiden (Tracks vs. Cascades). Im Niedrigenergiebereich von 5–100 GeV, insbesondere innerhalb des DeepCore-Sub-Arrays, weisen Ereignisse jedoch oft eine geringe Photonen-Detektionsrate auf (speziell $10 \le n_{hit} < 20$). In diesem Regime liefert das Lichtmuster schwache Randbedingungen für die Ereignismorphologie, was die Trennschärfe moderner Graph Neural Networks (GNNs) wie DynEdge einschränkt. Während GNNs Rohdaten pro Puls (Position, Zeit, Ladung) nutzen, normalisieren sie die Zeitstempel auf die Mikrosekunden-Skala der Ereignisdauer, was potenziell die kritische Nanosekunden-Struktur der frühen Zeiten komprimiert, welche die Unterscheidung zwischen Myon-Tracks und elektromagnetischen Cascades ermöglicht. Die Arbeit untersucht die Herausforderung, ob die Nanosekunden-Zeitinformationen auf einzelnen Digital Optical Modules (DOMs) eine komplementäre Information zur bestehenden morphologiebasierten Klassifizierung für die Flavor-Identifikation darstellen.

Methodik
Die Autoren führen WavePID ein, einen kompakten, template-basierten Log-Likelihood-Ratio-Klassifikator, der darauf ausgelegt ist, die Nanosekunden-Zeitskala einzelner DOMs auszuschöpfen. Die Methodik gliedert sich in drei Stufen:

1. Mikrophysikalische Motivation (Geant4-Simulation): Unter Verwendung des Geant4-Frameworks und des IceCube OMSim-Modells simulierten die Autoren die Ankunftszeitverteilungen von Photonen (Photon Arrival Time Distributions, PATDs) für 5–100 GeV Myonen und Elektronen in Eis. Sie stellten fest, dass Myon-Tracks eine scharfe, direkte Cherenkov-Front erzeugen, was zu einer schnell ansteigenden PATD führt, die von der primären Teilchenemission dominiert wird. Im Gegensatz dazu erzeugen elektromagnetische Cascades (Elektronen) Licht durch Bremsstrahlung-Sekundärteilchen über mehrere Nanosekunden hinweg, was zu einer breiteren PATD führt. Dieser Unterschied ist besonders ausgeprägt in den ersten $\sim10$ ns nach dem Eintreffen des ersten Photons.
2. Konstruktion der Observablen: WavePID arbeitet auf rekonstruierten ATWD-Pulsen einzelner DOMs. Für jedes DOM $n$ konstruiert es einen Feature-Vektor $\mathbf{x}_n$, der aus drei physikalisch motivierten Observablen besteht:
   • $r_n$: Der Abstand vom DOM zum rekonstruierten Interaktionsvertex.
   • $\xi^t_n$: Der Early-Charge-Fraction (Anteil der frühen Ladung), definiert als der Anteil der gesamten Ladung, die innerhalb der ersten $t$ Nanosekunden (speziell $t=14$ ns) nach dem ersten Puls eintrifft.
   • $\Delta t_n$: Die Zeit des ersten Pulses auf dem DOM relativ zum frühesten Puls auf irgendeinem DOM im Ereignis.
3. Klassifizierungsalgorithmus: Der Merkmalsraum wird in 3D-Bins diskretisiert. Der Algorithmus erstellt reine Form-Templates (Wahrscheinlichkeitsmassefunktionen) für „Track“- und „Cascade“-Hypothesen unter Verwendung von gelabelten Monte-Carlo-Simulationen (MC). Die Teststatistik (TS) ist ein gebinnter Log-Likelihood-Quotient:
   $$TS_e = \log \frac{\mathcal{L}_{cascade}}{\mathcal{L}_{track}} = \sum_{i,j,k} H^e_{ijk} \log \frac{\lambda^{cascade}_{ijk}}{\lambda^{track}_{ijk}}$$
   wobei $H^e_{ijk}$ die beobachtete Belegung von DOMs in einem spezifischen Bin für das Ereignis $e$ ist und $\lambda$ die Template-Wahrscheinlichkeiten darstellt.

Wichtigste Ergebnisse
Die Leistung von WavePID wurde anhand von IceCube DeepCore Monte-Carlo-Ensembles evaluiert, die die dominanten Detektor- und Eismodell-Unsicherheiten (31 systematische Variationen) repräsentieren. Die Studie konzentrierte sich auf eine mit Cascades angereicherte Stichprobe (selektiert durch einen DynEdge-Score $\le 0,4$) mit Hit-Multiplizitäten zwischen 10 und 20.

• Leistungssteigerung: Im Bereich geringer Trefferzahlen ($10 \le n_{hit} < 20$) erreichte WavePID eine höhere Area Under the Curve (AUC) von 0,571 im Vergleich zu 0,542 für DynEdge allein innerhalb derselben vorselektierten Stichprobe. Dies demonstriert, dass die Pulsstruktur der frühen Zeiten Informationen über den Flavor kodiert, die von der GNN nicht erfasst werden.
• Reinheitsgewinn: Die Anwendung eines Schwellenwerts auf die WavePID-Teststatistik erhöhte die Reinheit der Cascades. Bei einem Arbeitspunkt, der 20 % der Cascades beibehält, stieg die Reinheit von einem Baseline-Wert von 0,66 (nur DynEdge) auf 0,75. Dieser Gewinn von $+7\% \pm 1\%$ blieb über alle 31 Detektor-Systematik-Ensembles hinweg stabil, was auf eine Robustheit gegenüber Unsicherheiten in der DOM-Effizienz, dem Loch-Eis (hole ice) und den optischen Eigenschaften des Bulk-Eises hindeutet.
• Systematiken: Die Trennschärfe blieb über Variationen der Detektorenparameter hinweg stabil, was bestätigt, dass das Signal durch physikalische Zeitunterschiede und nicht durch instrumentelle Artefakte getrieben wird.

Bedeutung und Behauptungen
Die Arbeit behauptet, dass WavePID die Durchführbarkeit der Verwendung von Nanosekunden-skalierter Single-PMT-Zeitmessung als physikalisch motivierte Observable zur Identifikation von Flavors in Neutrino-Teleskopen demonstriert. Die Autoren betonen, dass dies nach ihrem Wissen die erste explizite Verwendung von Single-DOM-Nanosekunden-Timing für die Teilchenidentifikation in einem Neutrino-Teleskop ist.

Die Bedeutung liegt in der Komplementarität der Methode: WavePID ersetzt keine morphologiebasierten Klassifikatoren, sondern fügt eine neue Dimension der Information hinzu. Die Diskriminierung konzentriert sich auf das Regime, in dem die führende Cherenkov-Front des primären Leptons durch die pro-DOM Puls-Zeitmessung aufgelöst wird – ein Merkmal, das bestehende Klassifikatoren aufgrund der zeitlichen Normalisierung möglicherweise übersehen.

Die Autoren kommen zu dem Schluss, dass diese Ergebnisse die Nutzung feingranularer pro-Modul-Zeitmessung für zukünftige Niedrigenergie-Klassifikatoren und für das Design von Neutrino-Teleskopen der nächsten Generation (wie IceCube-Gen2, KM3NeT/ORCA und anderen), die Multi-PMT oder hybride optische Module mit verbesserter Zeitauflösung verwenden, motivieren. In der Arbeit wird angemerkt, dass die präsentierte Konfiguration eine Baseline-Implementierung darstellt und die optimale Wahl der Observablen und der Binning-Strategie von spezifischen physikalischen Zielen abhängt. Die Anwendung auf reale IceCube-Daten und die Quantifizierung des physikalischen Impacts sind künftigen dedizierten Studien vorbehalten.