Electromagnetic Shower Reconstruction and Identification in FASER's Emulsion Detector for LHC Forward Neutrino Measurements

Este artículo presenta un marco validado para la reconstrucción e identificación de cascadas electromagnéticas en el detector de emulsión FASERnu utilizando datos de haces de prueba del CERN, logrando un alto rechazo de fondo y una reconstrucción de energía eficiente para apoyar las mediciones de neutrinos electrónicos en el LHC.

Lo esencial

Imagina el Gran Colisionador de Hadrones (LHC) como una enorme autopista de partículas de alta velocidad. La mayor parte del tráfico consiste en camiones pesados (protones) chocando entre sí, pero ocultos entre los escombros hay coches diminutos y fantasmales llamados neutrinos. Estos neutrinos son tan tímidos y ligeros que normalmente pasan a través de las paredes de los gigantescos detectores sin que nadie se dé cuenta.

El experimento FASER es como un peaje especializado construido 480 metros más adelante en la carretera, diseñado específicamente para atrapar a estos neutrinos fantasmales mientras pasan de largo. Dentro de este peaje se encuentra un detector llamado FASERν, que es esencialmente un sándwich gigante y de alta tecnología hecho de cientos de capas finas de tungsteno (un metal pesado) y película fotográfica (emulsión).

Cuando un neutrino golpea el tungsteno, a veces crea un electrón. Este electrón no solo viaja en línea recta; golpea el metal y provoca una reacción en cadena, creando una "lluvia" de partículas más pequeñas, muy parecido a un fuego artificial explotando o a una bola de nieve rodando por una colina y acumulando más nieve. Esto se llama Lluvia Electromagnética.

¿El problema? El detector también está inundado de muones (otro tipo de partícula) que se parecen mucho a estas lluvias de electrones, pero son simplemente líneas rectas y aburridas. Los científicos necesitan encontrar los "fuegos artificiales" (electrones) en medio de una ventisca de "líneas rectas" (muones).

Así es como el artículo explica el nuevo método que han desarrollado, utilizando analogías sencillas:

1. La estrategia del detective: Encontrar los "fuegos artificiales"

Los científicos construyeron un "filtro" de tres pasos para separar las lluvias de electrones del fondo de muones.

• Paso 1: El filtro grueso (Preselección)
  Imagina que estás buscando un tipo específico de pájaro en un bosque. Primero, ignoras cualquier cosa que sea demasiado pequeña o demasiado grande. Los científicos hacen esto observando cuánto "tambalea" una partícula mientras se mueve. Los muones son como flechas rectas; no tambalean mucho. Los electrones, debido a que están creando una lluvia, tambalean y se dispersan mucho. Descartan las "flechas rectas" inmediatamente.

• Paso 2: El grupo inteligente (Reconstrucción)
  Una vez que tienen un candidato, necesitan mapear la forma de la lluvia. Utilizan un algoritmo informático llamado DBSCAN.

  • La analogía: Imagina una pista de baile abarrotada. Algunas personas bailan en un círculo cerrado y energético (la lluvia de electrones), mientras que otras solo caminan por los bordes (ruido de fondo). El algoritmo busca el "círculo denso" de bailarines. No necesita saber cuántas personas hay en el círculo de antemano; simplemente encuentra el grupo donde la gente está más apretada. Esto les ayuda a dibujar la trayectoria exacta de la lluvia de electrones, incluso si los datos son desordenados.

• Paso 3: El juez experto (Identificación)
  Después de mapear la lluvia, necesitan estar 100% seguros de que no es un falso. Utilizan un "Juez Inteligente" (una herramienta de aprendizaje automático llamada BDT).

  • La analogía: Piensa en esto como un portero de un club que revisa una lista de 10 reglas diferentes. ¿Es la lluvia demasiado ancha? ¿Es demasiado corta? ¿Se dispersa demasiado rápido? El "portero" observa la trayectoria de la partícula. Si coincide perfectamente con el patrón de "fuego artificial", puede entrar. Si parece una "flecha recta", es expulsado.
  • El resultado: Este sistema es increíblemente bueno en su trabajo. Logra rechazar el 99.99% de los muones falsos a energías más bajas y el 99.94% a energías más altas, capturando al mismo tiempo alrededor del 60% al 70% de las lluvias de electrones reales.

2. Midiendo la energía: Contando copos de nieve

Una vez que han identificado una lluvia de electrones real, necesitan saber cuánta energía tenía.

• La analogía: Imagina que intentas adivinar qué tan grande era una bola de nieve antes de que empezara a rodar por una colina. No puedes ver la bola de nieve original, pero puedes contar cuántos copos de nieve recolectó para cuando se detuvo.
• En este experimento, los "copos de nieve" son las diminutas trazas dejadas por las partículas en la película. Los científicos simplemente cuentan el número total de trazas en la lluvia. Cuantas más trazas, más energía tenía el electrón original.
• Descubrieron que este método es muy preciso. A 100 GeV (una unidad de energía específica), su estimación falló por menos del 1%. A 200 GeV, también fue de menos del 1%.

3. El problema de la "niebla" (Incertidumbres sistemáticas)

La mayor fuente de error no es la matemática ni la computadora; es la película misma.

• La analogía: Imagina intentar contar copos de nieve, pero a veces la lente de la cámara está ligeramente empañada y pierdes algunos copos. Si la película está "nublada" (menos eficiente), cuentas menos trazas y piensas que la energía era menor de lo que realmente era.
• El artículo admite que la mayor incertidumbre proviene de qué tan bien la película captura las trazas. Dependiendo de qué tan "nublada" esté la película, su medición de energía podría tener un error de aproximadamente el 10%. Esta es la principal cuestión de la que deben tener cuidado.

Resumen

El artículo presenta una forma nueva y altamente efectiva de encontrar y medir neutrinos electrónicos en el detector FASER. Construyeron una "red" digital que:

1. Filtra las partículas de línea recta.
2. Utiliza una agrupación inteligente para encontrar las lluvias de partículas "densas".
3. Utiliza una IA entrenada para verificar la forma.
4. Cuenta las trazas para medir la energía.

Este método permite ver los neutrinos "fantasmales" con claridad, incluso cuando se esconden en una multitud masiva de otras partículas, allanando el camino para mejores mediciones de cómo interactúan los neutrinos en el LHC.

Resumen técnico

Resumen Técnico: Reconstrucción e Identificación de Cascadas Electromagnéticas en el Detector de Emulsión de FASER

Planteamiento del Problema
El experimento FASER$\nu$ en el LHC tiene como objetivo estudiar las interacciones de neutrinos de alta energía, específicamente las interacciones de corriente cargada (CC) de neutrinos electrónicos ($\nu_e$), que producen cascadas electromagnéticas (EM). Un desafío principal en este entorno es el intenso fondo de muones generados por el LHC, que superan en número a los electrones de la señal por órdenes de magnitud (aproximadamente 1500 muones/cm² frente a 8 electrones/cm² en condiciones de prueba). Además, los métodos de reconstrucción existentes para el detector de emulsión de FASER$\nu$ fueron optimizados para energías superiores a 200 GeV y exhibieron limitaciones en energías más bajas (decenas de GeV), donde las cascadas producen menos segmentos, lo que las hace más difíciles de distinguir del fondo. El artículo aborda la necesidad de un marco de reconstrucción e identificación robusto e independiente de la energía, capaz de operar en todo el rango de energía de FASER$\nu$ (desde decenas de GeV hasta varios TeV) manteniendo una alta eficiencia de señal y un rechazo extremo del fondo.

Metodología
Los autores presentan un flujo de trabajo de múltiples etapas para la reconstrucción e identificación de cascadas EM, validado mediante datos de haces de prueba de electrones de 100 GeV y 200 GeV de la línea de haz H4 del SPS de CERN.

1. Procesamiento de Datos y Preselección:

   • Las películas de emulsión se escanean para reconstruir trayectorias de partículas en 3-D (base-tracks).
   • Un algoritmo de reconexión de trazas fusiona trazas rotas.
   • Preselección: Las trazas se filtran basándose en el conteo de segmentos ($3 \le n_{seg} \le 30$ para 100 GeV; $3 \le n_{seg} \le 40$ para 200 GeV) y el ángulo de dispersión ($\theta_s \ge 2$ mrad). Esto elimina trazas fragmentadas y muones atravesantes, reteniendo aproximadamente el 29% de las trazas originadas en la primera placa.

2. Reconstrucción de la Cascada (Clustering Adaptativo):

   • Eje Inicial: Determinado mediante el ajuste de los tres primeros segmentos de las trazas primarias.
   • Búsqueda Cilíndrica: Se define un volumen preliminar (radio de 100 $\mu$m, longitud de 8 cm) alrededor del eje inicial.
   • Clustering DBSCAN: Se aplica un algoritmo de Agrupamiento Espacial Basado en Densidad con Aplicación de Ruido (DBSCAN) adaptativo a los segmentos en cada placa. Crucialmente, los parámetros del algoritmo no dependen de la energía, sino que se adaptan a la densidad local de segmentos:
     • Radio de vecindad $\epsilon = 2.5 \times \text{mediana}(d_{NN})$, acotado entre 10–80 $\mu$m.
     • Tamaño mínimo de cluster $N_{min} = \max(2, \lfloor N_{seg}/4 \rfloor)$.
   • Refinamiento del Eje: Los centroides de los clusters seleccionados se someten a una validación secuencial (rechazando desviaciones $>60$ $\mu$m) y se ajustan mediante regresión robusta de Huber para determinar el eje final de la cascada. Esto minimiza la influencia de centroides espurios.

3. Cadena de Identificación:

   • ID Débil (basada en cortes): Elimina los fondos masivos de muones que imitan cascadas utilizando variables como el conteo máximo de segmentos por placa ($N_{max} \ge 4$), la placa de inicio de la cascada ($\le 20$) y la dispersión angular ($\sigma_\theta \ge 4$ mrad).
   • ID Media (basada en BDT): Un clasificador de Árboles de Decisión Potenciados (XGBoost) utiliza diez variables de forma de cascada diseñadas para ser independientes de la energía. Estas incluyen:
     • Longitudinal: Ratio de concentración, fracción de núcleo, fracción de pico, fracción temprana, RMS longitudinal y asimetría.
     • Transversal/Clustering: Ratio de ensanchamiento, número medio de clusters y fracción media del cluster más grande.
     • Angular: RMS de la dispersión angular ($\sigma_\theta$).
   • El clasificador se entrena con electrones de MC y fondos de muones identificados visualmente de los datos de haces de prueba.

4. Reconstrucción de la Energía:

   • El número total de segmentos reconstruidos ($N_{total}$) sirve como estimador calorimétrico.
   • Las curvas de calibración ($N_{total} = a(\epsilon) \cdot E + b(\epsilon)$) se derivan de muestras de MC con variaciones en la eficiencia de película única para dar cuenta de los sesgos dependientes de la eficiencia.
   • Se aplica una corrección de ineficiencia de "par cercano" para el módulo de 200 GeV para tener en cuenta el solapamiento de patrones de granos en los núcleos densos de las cascadas.

Resultados Clave

• Rechazo de Fondo: La cadena de identificación combinada logra tasas de rechazo de fondo del 99.99% a 100 GeV y 99.94% a 200 GeV. El clasificador BDT alcanza un Área Bajo la Curva (AUC) de 0.997.
• Eficiencia de Señal: Las eficiencias totales de reconstrucción e identificación son del 58.9% a 100 GeV y 70.8% a 200 GeV (evaluadas en MC).
• Resolución de Energía y Sesgo:
  • A 100 GeV: Sesgo relativo de +0.6%, resolución de 25.4%.
  • A 200 GeV: Sesgo relativo de −0.8%, resolución de 22.6%.
• Incertidumbres Sistemáticas: La incertidumbre sistemática dominante surge de las variaciones en la eficiencia de detección de película única.
  • 100 GeV: $+10.9\% / -8.2\%$.
  • 200 GeV: $+10.3\% / -6.9\%$.
  • La contaminación por fondo contribuye de manera insignificante ($\sim 0.1\%$).

Significancia y Reivindicaciones
El artículo afirma proporcionar un marco validado para la identificación de neutrinos electrónicos usando el detector FASER$\nu$. La significancia principal reside en el desarrollo de un algoritmo de reconstrucción independiente de la energía que no requiere ajustes para diferentes escalas de energía, permitiendo su aplicación en todo el amplio rango de energía de FASER$\nu$. La metodología demuestra con éxito que se pueden extraer muestras de alta pureza de neutrinos electrónicos del intenso fondo de muones del LHC utilizando detectores de emulsión. Los autores afirman que, una vez validado en el entorno de alto fondo del LHC (con el enmascaramiento apropiado de las trazas del haz), este método se desplegará para medir las secciones eficaces de interacción de corriente cargada de neutrinos electrónicos y estudiar la composición de sabor de los neutrinos a energías de TeV. Este trabajo representa una mejora sobre métodos anteriores optimizados solo para energías más altas, extendiendo el alcance físico del experimento hacia regímenes de menor energía.