🔭 astrophysics

Muon Track Reconstruction Procedures at the Baikal-GVD Neutrino Telescope

Este artículo presenta los métodos de reconstrucción de trayectorias desarrollados por la colaboración Baikal-GVD para el análisis de eventos de muones, incluidas las técnicas de reconstrucción de dirección y energía y los criterios de selección de candidatos, junto con los resultados preliminares de las temporadas de toma de datos de 2019 a 2021.

Autores originales: Grigory Safronov

Publicado 2026-05-08

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Grigory Safronov

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagine el Baikal-GVD como una "red" masiva y submarina lanzada a la parte más profunda y oscura del lago Baikal, en Rusia. Su trabajo no es pescar peces, sino atrapar fantasmas: específicamente, partículas cósmicas llamadas neutrinos que atraviesan la Tierra sin detenerse.

Así es como el artículo explica el proceso de atrapar estos fantasmas y determinar su origen, utilizando analogías sencillas:

1. La Configuración: Un Bosque Submarino Gigante

El telescopio no es una sola máquina; es un bosque de 14 "árboles" separados (llamados cúmulos) que se alzan en el fondo del lago, a unos 1,3 kilómetros de profundidad. Cada árbol es una larga cuerda que sostiene 36 "ojos" de vidrio (módulos ópticos). Estos ojos son cámaras increíblemente sensibles capaces de ver una sola chispa de luz.

El objetivo es detectar un tipo específico de fantasma: un muón. Cuando un neutrino de alta energía choca contra algo cerca del detector, crea un muón. Este muón atraviesa el agua a toda velocidad, dejando un rastro de luz azul (como un avión a reacción que deja una estela blanca en el cielo). La tarea del detector es ver ese rastro y determinar exactamente de dónde vino el muón (y el neutrino original).

2. El Problema: El Lago es Ruidoso

El mayor desafío no son los fantasmas, sino el ruido de fondo. El lago Baikal está lleno de vida. Pequeños fragmentos de algas y materia orgánica en descomposición flotan hacia abajo, brillando débilmente como luciérnagas. Para los ojos sensibles del detector, esto parece estática en un televisor antiguo.

La Analogía: Imagina intentar escuchar un susurro en un estadio abarrotado y ruidoso. El "susurro" es el rastro de luz del muón, y el "ruido del estadio" son las algas brillantes. El artículo explica que el detector debe filtrar miles de estas "luciérnagas" para encontrar ese único susurro claro.

3. La Solución: Encontrar el Rastro

Los científicos desarrollaron un algoritmo inteligente (un conjunto de reglas informáticas) para separar la señal del ruido.

Paso 1: La Verificación del Tiempo. La luz viaja a una velocidad específica. Si el detector ve destellos de luz en diferentes "ojos" que llegan en momentos que tienen sentido para una línea recta moviéndose a la velocidad de la luz, es probable que sea un muón real. Si los destellos son aleatorios (como las algas), se ignoran.
Paso 2: Dibujar la Línea. Una vez que la computadora encuentra un grupo de destellos que encajan, dibuja una línea a través de ellos. Esta línea les indica la dirección en la que viajaba el muón.
El Resultado: Pueden determinar la dirección del muón con una precisión increíble: dentro de 0,2 grados. Es como mirar una moneda desde la distancia de un campo de fútbol y saber exactamente qué lado está hacia arriba.

4. Adivinar la Energía: ¿Qué tan rápido iba?

Una vez que encuentran el rastro, quieren saber cuánta energía tenía el muón.

La Analogía: Piensa en un coche conduciendo por un campo de hierba alta. Un coche lento apenas perturba la hierba. Un camión pesado y rápido tumba mucha hierba y deja un gran desorden.
El Método: El muón desprende electrones en el agua, creando luz. Los científicos cuentan cuánta luz se produce a lo largo de la trayectoria. Más luz significa un muón más energético. Utilizan una "mediana" (el valor central) de estas mediciones de luz para estimar la energía. Admiten que esto no es perfecto (tiene un margen de error de aproximadamente 2,5 veces el valor real), pero es suficiente para sus propósitos.

5. El Filtro: Clasificar lo Bueno de lo Malo

Incluso después de encontrar rastros, la mayoría de ellos siguen siendo "falsos" neutrinos. En realidad son muones creados por rayos cósmicos que golpean la atmósfera sobre el lago (paquetes de muones). Estos son el "ruido de fondo" que los científicos quieren eliminar.

La Herramienta: Utilizaron una herramienta de "Aprendizaje Automático" llamada Árbol de Decisión Potenciado (BDT).
La Analogía: Imagina a un portero en un club. El portero tiene una lista de verificación (variables como la forma del rastro, cuántas luces fueron golpeadas, etc.). Si el evento parece un "intruso" (un muón de fondo), el portero dice "No". Si parece un VIP (un neutrino real), entran.
Entrenaron a dos porteros diferentes: uno para eventos de baja energía y otro para eventos de alta energía. Al usar a estos porteros, lograron filtrar el 97% de los muones falsos mientras mantenían el 70% de los neutrinos reales.

6. Los Resultados: Qué Encontraron

El equipo probó todo este proceso con datos recopilados entre 2019 y 2021.

Encontraron 1.189 candidatos potenciales a neutrinos.
Compararon sus hallazgos con simulaciones por computadora. Los datos coincidieron bastante bien con las simulaciones, con una pequeña sorpresa: encontraron aproximadamente 30% más eventos de los que predijo la computadora. Actualmente están investigando por qué el mundo real es ligeramente más "ruidoso" o activo de lo que esperaban sus modelos.

Resumen

En resumen, este artículo describe cómo el equipo del Baikal-GVD construyó un sofisticado sistema de "cancelación de ruido" para su telescopio submarino. Enseñaron a la computadora a ignorar las algas brillantes, trazar la trayectoria de los muones cósmicos con extrema precisión y utilizar algoritmos inteligentes para filtrar las señales falsas, dejándoles una lista limpia de posibles descubrimientos de neutrinos.

Resumen Técnico: Procedimientos de Reconstrucción de Trayectorias de Muones en el Telescopio de Neutrinos Baikal-GVD

Enunciado del Problema
El Baikal-GVD (Detector de Volumen Gigaton) es el telescopio de neutrinos más grande del Hemisferio Norte, diseñado para estudiar el flujo de neutrinos cósmicos en el rango de TeV–PeV. Si bien el canal de cascadas del detector ofrece una reconstrucción de energía precisa, el canal de trayectorias es superior para identificar fuentes puntuales astrofísicas debido a su mejor resolución angular. El principal desafío en el análisis de eventos tipo trayectoria en el lago Baikal es la alta tasa de ruido óptico ambiental causada por la luminiscencia de materia orgánica en sedimentación y algas. Este fondo produce una tasa de ruido no uniforme (que oscila entre decenas y cientos de kHz) que puede generar cientos de señales espurias dentro de la ventana de lectura de 5 µs del detector, complicando la identificación de la luz Cherenkov genuina procedente de muones producidos por interacciones de neutrinos.

Metodología
El artículo detalla un pipeline de reconstrucción desarrollado específicamente para el procesamiento de datos de un solo clúster (donde múltiples clústeres aún no están completamente integrados para el análisis de trayectorias). La metodología procede a través de tres etapas principales:

Detección de Impactos de Muones y Supresión de Ruido:
- Criterios de Dos Pasos: El algoritmo identifica primero pulsos Cherenkov suprimiendo el fondo mediante criterios de correlación temporal. Una condición simple de diferencia de tiempo ( $\Delta t < \Delta R n/c + \delta$ ) filtra los impactos, seguida de un criterio de "causalidad direccional" que conecta impactos basándose en requisitos estrictos relativos a una dirección de trayectoria.
- Teoría de Grafos: La colección de impactos que forma el clique totalmente conectado más grande se identifica utilizando el algoritmo de Bron–Kerbosch.
- Escaneo Direccional: Se realiza un escaneo sobre una cuadrícula de $60^\circ \times 60^\circ$ alrededor de una dirección de trayectoria preliminar para encontrar la dirección que produce los cliques de impactos totalmente conectados más grandes.
- Pureza de Impactos: Este procedimiento logra una pureza en la colección de impactos de aproximadamente el 95 %, manteniendo al mismo tiempo una probabilidad del 95 % de capturar impactos Cherenkov para espectros de neutrinos atmosféricos.
Reconstrucción de Trayectorias y Estimación de Energía:
- Dirección y Posición: La dirección y la posición de la trayectoria se determinan minimizando una función de pérdida de dos términos. El primer término es un $\chi^2$ basado en la diferencia de tiempo entre los impactos medidos y el tiempo de llegada esperado de Cherenkov (asumiendo emisión directa). El segundo término penaliza las trayectorias desplazadas basándose en la distancia desde la trayectoria y la carga depositada, ponderado para permanecer efectivo en un amplio rango de energías (de TeV a PeV).
- Reconstrucción de Energía: La energía del muón se estima utilizando un "estimador de energía mediana". La tasa de pérdida de energía se calcula para los módulos ópticos dentro de los 40 m de la trayectoria, teniendo en cuenta la absorción de luz y los factores geométricos. La mediana de estas pérdidas de energía elementales sirve como proxy para la energía real del muón ( $E_{true}$ ), la cual se mapea mediante ajustes polinómicos. Se aplican correcciones para tener en cuenta sesgos relacionados con el número de impactos y el ángulo cenital.
Selección de Candidatos a Neutrinos:
- Rechazo de Fondo: La muestra de eventos reconstruidos está dominada por haces de muones atmosféricos mal reconstruidos. Para aislar candidatos a neutrinos (específicamente eventos ascendentes con ángulos cenitales $>100^\circ$ ), los autores emplean Árboles de Decisión Potenciados (BDT).
- Entrenamiento de BDT: Se entrenan dos BDT separados: uno para neutrinos de baja energía ( $E_\mu < 10$ TeV) y otro para neutrinos de alta energía ( $E_\mu > 10$ TeV). Estos utilizan aproximadamente 20 variables cuasi-independientes, incluida la calidad del ajuste y la topología del evento.
- Señal frente a Fondo: Los BDT se entrenan sobre espectros de neutrinos atmosféricos y de neutrinos astrofísicos (basados en los modelos de Bartol e IceCube) frente a un fondo de haces de muones atmosféricos (simulados mediante CORSIKA).

Resultados Clave
El pipeline de análisis se aplicó a los datos recopilados durante las temporadas 2019–2021, correspondientes a un tiempo de vida total de 14,4 años en modo de un solo clúster.

Resolución Angular: El procedimiento de reconstrucción logra una resolución angular mediana de $0,2^\circ$ para trayectorias suficientemente largas (longitud $>500$ m).
Resolución de Energía: Para muones con energías superiores a $\sim10$ TeV, se alcanza un factor de resolución de energía de 2,5.
Eficiencia de Selección: Aplicar un corte de respuesta del BDT $>0,25$ (para cualquiera de los BDT de baja o alta energía) resulta en una muestra donde la contribución de haces de muones mal reconstruidos se estima en $\sim3\%$ , manteniendo al mismo tiempo una eficiencia de selección de eventos de neutrinos de aproximadamente el 70 %.
Comparación Datos-MC: Se seleccionó una muestra de 1.189 candidatos a neutrinos. Se encontró que la tasa de eventos observada en los datos era un 30 % superior a la esperada a partir de la simulación de neutrinos atmosféricos utilizando el flujo de Bartol. En consecuencia, se aplicó un factor de normalización de 1,32 a la Monte Carlo (MC) para una comparación posterior. Las distribuciones de impactos de trayectoria y energía de muón reconstruida muestran un acuerdo aceptable entre los datos y las expectativas de la MC después de este escalado.

Significado y Afirmaciones
El artículo afirma presentar el estado del pipeline de análisis de eventos tipo trayectoria para el telescopio Baikal-GVD. Su principal significado radica en demostrar la capacidad de reconstruir direcciones de muones con alta precisión ( $\sim0,2^\circ$ ) y estimar la energía de muones con un factor de resolución de 2,5 en el entorno desafiante del lago Baikal. El trabajo valida el uso de técnicas específicas de supresión de ruido y aprendizaje automático (BDT) para separar eficazmente las señales de neutrinos del fondo dominante de muones atmosféricos. Los autores señalan que el análisis se realizó sin una optimización adicional de cortes, sirviendo como una demostración del rendimiento del pipeline en el conjunto de datos de 2019–2021. La discrepancia en la tasa de eventos (los datos superan a la MC en un 30 %) se señala como un área para una mayor investigación, pero el acuerdo general en las distribuciones respalda la validez de los métodos de reconstrucción y selección.