CUORE Data Release for ML Applications: Pulse Shape Analysis Dataset

Technische Zusammenfassung: CUORE-Datensatzveröffentlichung für ML-Anwendungen

Problemstellung
Das CUORE-Experiment (Cryogenic Underground Observatory for Rare Events) sucht nach dem neutrinolosen Doppelbetazerfall ($0\nu\beta\beta$) von $^{130}\text{Te}$. Eine bedeutende Hintergrundquelle in dieser Suche ergibt sich aus „Pile-up“-Ereignissen, bei denen zwei oder mehr separate Teilcheninteraktionen innerhalb desselben 10-Sekunden-Zeitfensters eines einzelnen Kristallkalorimeters Energie deponieren. Diese Pile-up-Ereignisse können die Energiesignatur eines Einzelteilchenereignisses imitieren oder den Hintergrund nahe des erwarteten Zerfallspeaks ($Q_{\beta\beta}$) verzerren. Während die Kollaboration bereits physikbasierte Methoden zur Identifizierung dieser Ereignisse etabliert hat, gibt es eine wachsende Nachfrage nach offenen wissenschaftlichen Datensätzen zur Entwicklung und zum Benchmarking von Algorithmen der Künstlichen Intelligenz und des Maschinellen Lernens (KI/ML) für die Pulsformanalyse und -klassifizierung in der kryogenen Kalorimetrie.

Methodik und Datensatzkonstruktion
Diese Arbeit präsentiert einen kuratierten öffentlichen Datensatz, der aus CUORE-Kalibrierungsdaten abgeleitet wurde und speziell zur Unterstützung von überwachten Lernansätzen (Supervised Learning) für die Pulsklassifizierung entwickelt wurde. Der Datensatz adressiert das binäre Klassifikationsproblem der Unterscheidung zwischen:

• Klasse 0 (Saubere Pulse): Einzelpuls-Ereignisse, die die standardmäßige thermische Pulsform innerhalb eines 10-Sekunden-Fensters aufweisen.
• Klasse 1 (Pile-up-Pulse): Ereignisse, die zwei oder mehr Pulse innerhalb desselben Fensters enthalten, welche zeitlich getrennt sein können und unterschiedliche Amplituden aufweisen können.

Datenspezifikationen:

• Quelle: 988 $\text{TeO}_2$-Kristallkalorimeter, betrieben bei $\sim10$ mK.
• Format: HDF5-Dateien mit insgesamt 10.000 Ereignissen (5.000 saubere, 5.000 Pile-up).
• Wellenform-Struktur: Jedes Ereignis ist ein eindimensionales Zeitreihen-Array der Länge 10.000, abgetastet mit 1 kHz. Das Fenster ist so definiert, dass der Mittelpunkt des Trigger-Puls-Anstiegs nahe dem Index 3000 liegt, was $\sim3$ Sekunden Baseline vor dem Trigger ermöglicht.
• Labeling: Die Labels werden aus der Anzahl der markierten Pulse ($n_{\text{pulses}}$) und dem normalisierten Rekonstruktionsfehler ($n_{\text{rei}}$) aus dem CUORE 2-Tonnen·Jahr Pulsform-Diskriminierungs-Cut abgeleitet. Ein Label von 0 wird zugewiesen, wenn $n_{\text{pulses}}=1$ und $|n_{\text{rei}}| < 10$; ein Label von 1 wird zugewiesen, wenn $n_{\text{pulses}} > 1$ und $|n_{\text{rei}}| > 10$.
• Normalisierung: Um die KI/ML-Vorverarbeitung zu erleichtern, enthält jedes Ereignis Metadaten zur Normalisierung: einen Offset (Mittelwert der ersten 2.500 Samples), einen Maximalwert und einen Skalierungsfaktor. Die Arbeit stellt Python-Skripte bereit, die demonstrieren, wie normalisierte Wellenformen $\tilde{p}_i(t)$ konstruiert und auf einen Bereich von $[0, 1]$ begrenzt werden können.

Wesentliche Beiträge

1. Veröffentlichung eines öffentlichen Datensatzes: Die Kollaboration hat eine Teilmenge ihrer Daten via Zenodo (DOI: 10.5281/zenodo.20721645) im HDF5-Format veröffentlicht, aufgeteilt in 90 % Trainings- und 10 % Testdatensätze.
2. Standardisiertes Benchmarking: Die Arbeit schlägt eine spezifische Herausforderung zur Pulsklassifizierung vor. Teilnehmer sind eingeladen, Vorhersagen auf dem zurückgehaltenen Testdatensatz (bei dem die Labels nicht bekannt gegeben sind) einzureichen, die anhand folgender Metriken evaluiert werden:
   • Area Under the Receiver Operating Characteristic Curve (AUC-ROC).
   • Klassifikationsgenauigkeit (Accuracy).
   • Falsch-Positiv-Rate (FPR) bei einer festen Richtig-Positiv-Rate (TPR) von 90 %, eine Metrik, die für physikalische Analysen relevant ist, die eine kontrollierte Signaleffizienz erfordern.
3. Reproduzierbarkeit: Die Autoren stellen minimale Python-Beispiele unter Verwendung von h5py und numpy bereit, um die Daten zu laden, zu normalisieren und für die Eingaben von Conv1D-Neuronalen Netzen zu formatieren.

Ergebnisse und Ansprüche
Die Arbeit präsentiert keine Ergebnisse eines spezifischen maschinellen Lernmodells, das von den Autoren trainiert wurde, und beansprucht auch keinen neuen Rekord in der Klassifikationsgenauigkeit. Stattdessen sind die „Ergebnisse“ die erfolgreiche Kuratierung und Veröffentlichung des Datensatzes selbst. Die Autoren behaupten, dass diese Veröffentlichung als „exzellente Ressource“ für die KI/ML-Gemeinschaft dient, indem sie hochwertige Zeitreihen-Daten aus der Kryogenen mit gut verstandenen, physikbasierten Labels kombiniert.

Bedeutung
Die Bedeutung dieser Arbeit liegt in der Förderung der Open Science und der Weiterentwicklung von Analyseverfahren für Ereignissuchen mit geringer Ereignisrate. Durch die Bereitstellung eines standardisierten Datensatzes mit klaren binären Labels (sauber vs. Pile-up) ermöglicht die CUORE-Kollaboration das Testen und Entwickeln von überwachten Lernalgorithmen für die Pulsformanalyse. Dies unterstützt das übergeordnete Ziel, die Hintergrundunterdrückung in $0\nu\beta\beta$-Zerfallssuchen und anderen Anwendungen, die kryogene Kalorimeter involvieren, zu verbessern. Die Autoren bitten ausdrücklich darum, dass Nutzer die relevanten CUORE-Physikergebnisse (Ref. [4]) und diese spezifische arXiv-Publikation in allen Publikationen zitieren, die aus der Verwendung dieser Daten resultieren.