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

Este estudio demuestra que los clasificadores de discriminación de forma de pulso entrenados exclusivamente con datos de rayos gamma pueden identificar y rechazar eficazmente eventos alfa en detectores de germanio de alta pureza, ofreciendo una estrategia robusta de supresión de fondo para las búsquedas de desintegración doble beta sin neutrinos de próxima generación como LEGEND, donde los datos de entrenamiento dedicados a alfa son insuficientes.

Lo esencial

Imagina que estás intentando escuchar un susurro único y perfecto en una habitación muy ruidosa. Esto es esencialmente lo que hacen los científicos cuando buscan un evento raro llamado "desintegración doble beta sin neutrinos". Utilizan micrófonos increíblemente sensibles fabricados con cristales de germanio puro (detectores) para captar esos susurros.

Sin embargo, la habitación está llena de otros ruidos:

1. El ruido "malo": A veces, los rayos gamma (un tipo de radiación) rebotan varias veces por la habitación antes de detenerse. Estos son como personas aplaudiendo en diferentes esquinas de la sala. Los científicos quieren ignorar estos.
2. El ruido "intruso": A veces, las partículas alfa (pequeños y pesados fragmentos radiactivos) caen justo sobre la superficie del micrófono. Estos son como alguien golpeando el micrófono directamente con un dedo. Crean un sonido que se parece mucho al "susurro" que los científicos están cazando, potencialmente engañándolos para que piensen que han encontrado algo cuando no lo han hecho.

El Problema

Por lo general, para enseñar a una computadora a ignorar el ruido "malo" (rayos gamma), los científicos le muestran miles de ejemplos de esos sonidos. Pero para el ruido "intruso" (partículas alfa), hay un truco: en los experimentos reales, estos intrusos son tan raros que no hay suficientes de ellos para enseñarle a la computadora cómo se ven.

La gran pregunta que plantea este artículo es: ¿Podemos enseñarle a la computadora a detectar al "intruso" simplemente mostrándole el ruido "malo" (rayos gamma), sin mostrarle nunca un intruso real?

El Experimento

Los investigadores instalaron un detector de germanio de alta tecnología (un tipo "BEGe") y realizaron dos cosas:

1. Entrenamiento: Bombardearon el detector con rayos gamma (usando una fuente de torio) para enseñar a dos programas informáticos diferentes (un "Perceptrón Multicapa" y un clasificador de "Verosimilitud Proyectiva") a distinguir entre un solo rebote (bueno) y múltiples rebotes (malos).
2. Prueba: Luego colocaron una fuente de polonio (un emisor alfa) directamente sobre la superficie del detector. Esto generó miles de eventos "intrusos". Le preguntaron a la computadora: "Oye, aprendiste de los rayos gamma. ¿Puedes ahora detectar y rechazar estas partículas alfa?"

Los Resultados

Los programas informáticos fueron sorprendentemente buenos en esto.

• El filtro "inteligente": El mejor método, un tipo de Red Neuronal Artificial (llamado Perceptrón Multicapa o MLP), actuó como un portero superinteligente.
• Manteniendo lo bueno: Conservó más del 80% de los "susurros" (los eventos gamma de un solo sitio que se parecen a la señal que buscan).
• Rechazando lo malo: Descartó más del 80% de los "aplausos" (los eventos gamma de múltiples sitios).
• Echando a los intrusos: Lo más importante, rechazó las partículas alfa con una eficiencia increíble. Filtró más de 27,000 partículas alfa por cada una que se coló.

La Analogía

Piensa en el detector como una cámara de seguridad.

• Los rayos gamma son como personas pasando por una puerta; a veces pasa una sola persona (bueno), a veces pasa un grupo junto (malo). La cámara aprende a detectar a los grupos.
• Las partículas alfa son como alguien intentando escalar por una ventana justo al lado de la puerta.
• El artículo muestra que, al aprender a detectar a los "grupos" en la puerta, la cámara también aprendió a detectar al "escalador" en la ventana, incluso aunque nunca vio a un escalador durante su entrenamiento.

La Conclusión

El artículo concluye que no necesitas una biblioteca masiva de ejemplos raros de "intrusos" para enseñarle a tu detector a rechazarlos. Al entrenar el sistema solo con el ruido "malo" más común (rayos gamma), los algoritmos de aprendizaje automático aprenden naturalmente a detectar a los "intrusos" (partículas alfa) también.

Esta es una gran victoria para futuros experimentos (como el proyecto LEGEND mencionado en el texto) porque significa que pueden construir detectores más limpios y sensibles sin necesidad de esperar años para recopilar suficientes eventos alfa raros para entrenar su software. El "filtro inteligente" funciona listo para usar, utilizando solo los datos que ya tienen.

Resumen técnico

Resumen Técnico: Discriminación de Forma de Pulso para el Rechazo de Eventos $\alpha$ en Detectores HPGe de Tipo BEGe

Enunciado del Problema
Los detectores de germanio de alta pureza (HPGe) son fundamentales en la búsqueda de eventos raros, particularmente la búsqueda de la desintegración doble beta sin neutrinos ($0\nu\beta\beta$) en $^{76}\text{Ge}$ (por ejemplo, el experimento LEGEND). Aunque estos detectores ofrecen una excelente resolución energética e pureza intrínseca, siguen siendo susceptibles a eventos de fondo. Un desafío específico es el rechazo de partículas $\alpha$ emitidas por contaminantes superficiales como $^{210}\text{Po}$ y $^{226}\text{Ra}$. Si estos emisores se encuentran en el contacto $p^+$ delgado del detector, las partículas $\alpha$ pueden depositar una fracción de su energía dentro del volumen activo, creando señales que pueden imitar la región de interés (ROI) alrededor del valor $Q_{\beta\beta}$ de 2039 keV.

Las técnicas estándar de discriminación de forma de pulso (PSD) son efectivas para distinguir eventos de un solo sitio (SSE, similares a la señal) de eventos de múltiples sitios (MSE, rayos $\gamma$ similares al fondo). Sin embargo, los eventos $\alpha$ también son típicamente similares a SSE, lo que dificulta su rechazo utilizando cortes de PSD basados en $\gamma$. Además, en experimentos de bajo fondo, el número total de eventos $\alpha$ observados durante la vida útil del experimento a menudo es demasiado bajo para entrenar clasificadores dedicados específicamente para el rechazo de $\alpha$. El problema central abordado es si un clasificador PSD entrenado exclusivamente con datos de rayos $\gamma$ de alta estadística (SSE vs. MSE) puede identificar y rechazar eficazmente eventos $\alpha$ sin requerir datos de entrenamiento dedicados a $\alpha$.

Metodología
El estudio utilizó un detector de germanio de energía amplia de contacto puntual (BEGe). Se realizaron dos campañas de medición en la superficie:

1. Baja Estadística (LS): Utilizando una fuente de $^{209}\text{Po}$ ($\sim$0.1 Bq), obteniendo $\sim 1.36 \times 10^5$ eventos $\alpha$.
2. Alta Estadística (HS): Utilizando una fuente de $^{210}\text{Po}$ ($\sim$1 Bq), obteniendo $\sim 1.87 \times 10^6$ eventos $\alpha$.

En ambas campañas, se colocó una lámina de oro con polonio depositado directamente sobre el contacto $p^+$ del detector para simular la contaminación superficial. Las corridas de calibración con una fuente de $^{228}\text{Th}$ proporcionaron los datos de entrenamiento para los clasificadores PSD.

Se investigaron dos enfoques de aprendizaje automático (ML):

• Verosimilitud Projectiva (PLK): Un clasificador Bayesiano ingenuo que asume independencia estadística entre las características de entrada.
• Perceptrón Multicapa (MLP): Una red neuronal artificial de alimentación hacia adelante con seis capas densas (dimensiones: 64-32-16-8-4-1), utilizando activación ReLU para las capas ocultas y sigmoide para la salida.

Características de Entrada y Entrenamiento:

• La entrada consistió en 64 puntos del borde ascendente de la forma de onda cruda (32 muestras antes, 1 en, y 31 después del máximo de corriente actual).
• Los conjuntos de datos de entrenamiento se construyeron a partir de corridas de calibración con $^{228}\text{Th}$, seleccionando regiones energéticas específicas para definir las clases SSE (Picos de Escape Doble, Borde Compton) y MSE (Picos de Escape Simple, Picos de Energía Total, Dispersión Compton Múltiple).
• Se probaron seis configuraciones de entrenamiento diferentes (TC1–TC6), variando los picos específicos utilizados para las definiciones de SSE y MSE.
• Un clasificador A/E (Amplitud/Energía) tradicional se utilizó como referencia.

Resultados Clave
Los clasificadores se evaluaron basándose en tres métricas: supervivencia de SSE (eficiencia de señal), rechazo de MSE (supresión de fondo) y factor de rechazo de $\alpha$.

1. Rendimiento en el fondo $\gamma$: Ambos métodos de ML separaron con éxito los eventos SSE y MSE. Las configuraciones entrenadas en Picos de Escape Doble (DEP) generalmente superaron a las entrenadas en el Borde Compton (CE). El MLP logró fracciones de supervivencia de SSE $>80\%$ y fracciones de supervivencia de MSE $<20\%$, consistentes con o superiores a resultados anteriores de GERDA y LEGEND.
2. Rendimiento en el rechazo de $\alpha$: Crucialmente, los clasificadores entrenados solo con datos $\gamma$ demostraron una fuerte capacidad para rechazar eventos $\alpha$.
   • MLP: Logró el mejor rendimiento general. Para la corrida HS (configuración TC2), obtuvo un factor de rechazo de $\alpha > 2.71 \times 10^4$ (al nivel de confianza del 90%) mientras mantenía una alta eficiencia de señal.
   • PLK: También fue efectivo, aunque ligeramente menos performante que el MLP en términos del límite inferior del factor de rechazo.
   • A/E: El método tradicional A/E mostró un rechazo de $\alpha$ significativamente más débil (factor $\sim 54$), con picos residuales de $\alpha$ que permanecieron visibles en los espectros.
3. Análisis de formas de onda: El estudio observó que los eventos $\alpha$ generalmente se agrupan en puntuaciones de MLP más bajas que la banda de señal. Sin embargo, apareció un agrupamiento secundario de eventos $\alpha$ (aprox. 1% del total) más cerca de la banda de señal, probablemente debido a eventos que ocurrieron cerca de los bordes del contacto. A pesar de esto, el valor de corte óptimo maximizó la Figura de Mérito (FoM) mientras suprimía la gran mayoría de los eventos $\alpha$.

Significado y Afirmaciones
El artículo afirma que se puede lograr una discriminación robusta de la forma de pulso para detectores HPGe utilizando información de entrenamiento derivada exclusivamente de eventos $\gamma$. Este hallazgo es significativo porque ofrece una estrategia práctica para experimentos de $0\nu\beta\beta$ de próxima generación (como LEGEND) donde no se dispone de datos de entrenamiento dedicados a $\alpha$ debido a la rareza de tales eventos.

Los autores concluyen que:

• No es necesario desarrollar clasificadores separados y dedicados para el rechazo de $\alpha$.
• Un solo corte PSD, optimizado en datos $\gamma$, puede suprimir simultáneamente los fondos de rayos $\gamma$ de múltiples sitios y los fondos superficiales de $\alpha$ con alta eficiencia.
• El enfoque MLP es superior tanto al PLK como al método tradicional A/E para este rechazo de doble propósito.

El estudio reconoce limitaciones, incluidas las condiciones de medición a nivel superficial (mayor fondo de muones) y la configuración específica del detector (reemplazo de JFET entre campañas). Los autores sugieren que repetir el experimento bajo tierra reduciría aún más el fondo, permitiendo potencialmente un factor de rechazo de $\alpha$ del orden de $10^5$.