Suppression of Neutron Background using Deep Neural Network and Fourier Frequency Analysis at the KOTO Experiment

Este artículo presenta dos técnicas de análisis, una red neuronal convolucional profunda y un análisis de frecuencia de Fourier, que lograron suprimir el fondo de neutrones en el experimento KOTO en un factor de $5.6\times10^5$ manteniendo una eficiencia del 70% para la búsqueda de la desintegración rara $K^0_L\rightarrow\pi^0\nu\bar{\nu}$.

Lo esencial

Imagina que el experimento KOTO es como un detective muy exigente que busca una aguja en un pajar. Esa "aguja" es una partícula muy rara llamada K0L, que se desintegra en dos fotones (luz) y dos neutrinos (partículas fantasma que no vemos). El problema es que el "pajar" está lleno de neutrones (partículas traviesas) que pueden imitar perfectamente a los fotones, engañando al detective.

Este artículo explica cómo los científicos crearon dos "superpoderes" tecnológicos para separar a los fotones honestos de los neutrones tramposos, logrando filtrar el ruido con una precisión increíble.

Aquí tienes la explicación sencilla:

1. El Escenario: La Cámara de Cristal

El detector de KOTO es una gran pared hecha de miles de cristales de Yoduro de Cesio (CsI).

• La analogía: Imagina que esta pared es como un tablero de videojuego gigante o un mosaico de baldosas. Cuando una partícula choca contra ella, deja una huella.
• El problema: Tanto los fotones (la señal que buscamos) como los neutrones (el ruido que queremos eliminar) golpean el tablero y hacen que dos baldosas se iluminen. A simple vista, parecen iguales. Pero si miras de cerca, sus "huellas dactilares" son diferentes.

2. El Primer Superpoder: El Ojo de Águila (Red Neuronal)

Los científicos usaron una Red Neuronal Convolucional (CNN), que es básicamente un cerebro de computadora entrenado para ver imágenes.

• La analogía: Piensa en un fotógrafo experto. Si le muestras una foto de un círculo perfecto, sabe que es un sol (fotón). Si le muestras una foto de una mancha irregular y borrosa, sabe que es una salpicadura de barro (neutrón).
• Cómo funciona: La red neuronal no solo mira si hay luz, sino que analiza la forma de la mancha de luz en el tablero de cristales.
  • Los fotones dejan una mancha redonda, simétrica y ordenada (como una gota de agua cayendo).
  • Los neutrones dejan una mancha desordenada, asimétrica y con bordes extraños (como si alguien hubiera arrojado piedras).
• El resultado: La computadora aprendió a decir: "¡Esto es un fotón!" o "¡Esto es un neutrón!" con una precisión casi perfecta, basándose en la forma de la huella.

3. El Segundo Superpoder: El Oído de Lince (Análisis de Frecuencia)

Además de la forma, los científicos miraron cómo parpadea la luz en el tiempo. Usaron un análisis llamado Transformada de Fourier.

• La analogía: Imagina que los fotones y los neutrones son dos músicos tocando el mismo instrumento, pero con ritmos diferentes.
  • El fotón es un pianista que toca una nota limpia y corta: ¡Pam! y se acaba.
  • El neutrón es un guitarrista que hace un rasgueo largo con un eco: ¡Pammmmm... (tiene una "cola" larga).
• Cómo funciona: La computadora convierte la señal de luz en una "partitura" de frecuencias. Al analizar la "cola" del sonido (la parte final de la señal), pueden distinguir fácilmente quién es quién. Si la señal tiene un eco largo, es un neutrón tramposo. Si es corta y nítida, es un fotón honesto.

4. La Gran Magia: Combinando los Poderes

Al usar estas dos técnicas juntas (la forma de la mancha y el ritmo del sonido), lograron algo asombroso:

• El filtro: Imagina que tienes un tamiz para separar arena de piedras. Antes, el tamiz dejaba pasar muchas piedras (neutrones) pensando que eran arena.
• El resultado: Con estos nuevos filtros, lograron eliminar 560,000 veces más neutrones que antes.
• La clave: Lo más impresionante es que, al eliminar todo ese "ruido", no perdieron a los fotones. El 70% de las señales reales (los fotones que buscaban) siguieron pasando el filtro sin problemas.

En resumen

Los científicos del experimento KOTO desarrollaron un sistema de seguridad de dos capas:

1. Un ojo inteligente que mira la forma de la huella.
2. Un oído inteligente que escucha el ritmo de la señal.

Gracias a esto, pudieron limpiar el "ruido" del universo (los neutrones) con una eficiencia brutal, permitiéndoles seguir buscando esa partícula fantasma tan rara que podría cambiar nuestra comprensión del universo, sin que los falsos positivos les estorben. ¡Es como encontrar una aguja en un pajar, pero ahora el pajar está casi vacío!

Resumen técnico

Resumen Técnico: Supresión de Fondo de Neutrones mediante Redes Neuronales Profundas y Análisis de Frecuencia de Fourier en el Experimento KOTO

1. Planteamiento del Problema
El experimento KOTO, ubicado en J-PARC (Japón), tiene como objetivo principal detectar la desintegración extremadamente rara $K^0_L \to \pi^0 \nu \bar{\nu}$. En el Modelo Estándar, la probabilidad de ramificación teórica es de aproximadamente $(3.00 \pm 0.30) \times 10^{-11}$. El desafío experimental principal es distinguir la señal de dos fotones (provenientes de la desintegración $\pi^0 \to \gamma\gamma$) del fondo dominante: los neutrones del halo del haz.

Estos neutrones pueden interactuar dentro del calorímetro de cristal de yoduro de cesio (CsI) y producir dos "hits" similares a fotones, imitando la señal de la desintegración buscada. Tradicionalmente, la discriminación se basaba en la forma del clúster (distribución espacial de energía) y la forma del pulso (señal temporal), pero se requerían técnicas más avanzadas para lograr la supresión necesaria sin perder eficiencia en la señal.

2. Metodología
Los autores desarrollaron y aplicaron dos técnicas de análisis novedosas para el conjunto de datos de 2016–2018, basadas en las diferencias intrínsecas entre las interacciones electromagnéticas (fotones) y hadrónicas (neutrones) en el calorímetro CsI:

• A. Discriminación por Forma de Clúster (CSD) con Redes Neuronales Convolucionales (CNN):

  • Concepto: Los fotones generan clústeres más circulares y simétricos debido a su corta longitud de radiación, mientras que los neutrones producen formas más asimétricas debido a interacciones hadrónicas.
  • Implementación: Se utilizó una CNN profunda (4 capas convolucionales y 6 capas densas) para clasificar las imágenes de los clústeres de energía y tiempo en la rejilla del CsI.
  • Entradas: Las imágenes de los clústeres (16x16 o 12x12 píxeles, dependiendo del tamaño del cristal) junto con la dirección de incidencia ($\theta, \phi$) y la energía.
  • Entrenamiento: Se utilizaron muestras de Monte Carlo (MC) para fotones (simulando $K^0_L \to \pi^0 \nu \bar{\nu}$) y datos reales de neutrones (obtenidos con una placa de aluminio para dispersar neutrones). Se aplicaron técnicas de regularización L2 y dropout para evitar el sobreajuste, y se aumentaron los datos mediante simetrías y transposiciones.

• B. Discriminación por Forma de Pulso (PSD) mediante Análisis de Frecuencia de Fourier:

  • Concepto: Los pulsos inducidos por neutrones tienen una "cola" más larga en el tiempo en comparación con los pulsos de fotones.
  • Implementación: Se aplicó la Transformada Discreta de Fourier (DFT) a las muestras de voltaje del pulso (28 muestras).
  • Método: Se extrajeron las amplitudes de las 5 frecuencias más bajas, las cuales representan la cola del pulso. Se crearon plantillas (templates) de amplitudes promedio y desviación estándar para fotones y neutrones, específicas para cada cristal y rango de energía.
  • Cálculo: Se calculó una razón de verosimilitud ($R$) basada en la probabilidad de que la forma del pulso de cada cristal en un clúster coincida con la plantilla de fotón o neutrón.

• C. Estimación Combinada:

  • Se utilizó un método de ponderación de eventos para estimar la probabilidad de supervivencia de los neutrones tras aplicar ambos cortes (CSD y PSD), considerando la dependencia de la energía y el ángulo de incidencia.

3. Contribuciones Clave

• Integración de IA en Física de Altas Energías: Aplicación exitosa de una CNN para la clasificación de patrones espaciales en un calorímetro de cristal, superando métodos tradicionales de selección manual.
• Análisis de Frecuencia de Pulso: Introducción de la Transformada de Fourier para cuantificar las diferencias en la forma de onda de los pulsos, mejorando significativamente la discriminación temporal respecto a métodos anteriores.
• Metodología de Validación Robusta: Desarrollo de un método de "peso de eventos" para estimar con precisión el fondo residual de neutrones sin depender únicamente de la observación directa de eventos de fondo en la región de señal.

4. Resultados
La combinación de ambas técnicas en el análisis de los datos de 2016–2018 arrojó los siguientes resultados:

• Factor de Supresión: Se logró suprimir el fondo de neutrones en un factor de $5.6 \times 10^5$.
• Eficiencia de Señal: Se mantuvo una eficiencia de detección para el evento $K^0_L \to \pi^0 \nu \bar{\nu}$ del 69.9% (aproximadamente 70%).
• Validación: En la región de señal (Signal Box), tras aplicar los cortes estrictos (umbral CSD = 0.985, umbral PSD = 0.5), el método predijo $0.0106 \pm 0.0002$ eventos de fondo restantes, y ningún evento fue observado en los datos reales, confirmando la alta pureza del fondo suprimido.
• Comparación: La técnica de PSD basada en Fourier fue aproximadamente dos veces más efectiva que los métodos anteriores descritos en la literatura.

5. Significado
Este trabajo representa un avance crucial para el experimento KOTO y la búsqueda de física más allá del Modelo Estándar. Al reducir drásticamente el fondo de neutrones (el principal obstáculo para detectar esta desintegración ultra-rara) sin sacrificar la eficiencia de la señal, las nuevas técnicas permiten establecer límites más estrictos en la probabilidad de ramificación o, potencialmente, realizar la primera detección directa de este proceso. La metodología desarrollada demuestra la viabilidad de combinar aprendizaje profundo y análisis de señales en el tiempo real de experimentos de física de partículas, sentando un precedente para futuros análisis de datos en detectores complejos.