WavePID: Low-energy flavor identification using single-PMT time series in IceCube

Resumen Técnico: WavePID: Identificación de sabor de baja energía utilizando series temporales de un solo PMT en IceCube

Planteamiento del Problema
El Observatorio de Neutrinos IceCube depende de la morfología de los eventos para distinguir entre sabores de neutrinos (traza vs. cascada). Sin embargo, en el régimen de baja energía de 5–100 GeV, particularmente dentro del sub-arreglo DeepCore, los eventos suelen exhibir una detección de fotones dispersa (específicamente $10 \le n_{hit} < 20$). En este régimen, el patrón de luz proporciona restricciones débiles sobre la morfología del evento, lo que limita el poder de separación de las redes neuronales de grafos (GNN) de última generación como DynEdge. Aunque las GNN utilizan información de pulso por pulso (posición, tiempo, carga), normalizan las marcas de tiempo a la duración del evento en la escala de microsegundos, lo que potencialmente comprime la estructura de tiempo crucial a escala de nanosegundos del tiempo temprano que distingue las trazas de muones de las cascadas electromagnéticas. El artículo aborda el desafío de si la información de tiempo a escala de nanosegundos en los Módulos Ópticos Digitales (DOM) individuales porta información de identificación de sabor que es complementaria a los clasificadores basados en morfología existentes.

Metodología
Los autores presentan WavePID, un clasificador compacto basado en plantillas de razón de logaritmo de verosimilitud diseñado para explotar el tiempo a escala de nanosegundos en los DOMs individuales. La metodología procede en tres etapas:

1. Motivación de la Microfísica (Simulación Geant4): Utilizando el marco Geant4 y el modelo IceCube OMSim, los autores simularon las distribuciones de tiempo de llegada de fotones (PATDs) para muones y electrones de 5–100 GeV en hielo. Encontraron que las trazas de muones producen un frente de Cherenkov directo y agudo, resultando en una PATD de ascenso rápido dominada por la emisión de la partícula primaria. Por el contrario, las cascadas electromagnéticas (electrones) producen luz a través de segundarios de Bremsstrahlung durante varios nanosegundos, lo que resulta en una PATD más amplia. Esta diferencia es más pronunciada en los primeros $\sim10$ ns después de la llegada del primer fotón.
2. Construcción de Observables: WavePID opera sobre los pulsos ATWD reconstruidos de los DOMs individuales. Para cada DOM $n$, construye un vector de características $\mathbf{x}_n$ que comprende tres observables motivados por la física:
   • $r_n$: La distancia desde el DOM hasta el vértice de interacción reconstruido.
   • $\xi^t_n$: La fracción de carga temprana, definida como la fracción de la carga total que llega dentro de los primeros $t$ nanosegundos (específicamente $t=14$ ns) después del primer pulso.
   • $\Delta t_n$: El tiempo del primer pulso en el DOM relativo al pulso más temprano en cualquier DOM del evento.
3. Algoritmo de Clasificación: El espacio de características se discretiza en bins 3D. El algoritmo construye plantillas de solo forma (funciones de masa de probabilidad) para las hipótesis de "traza" y "cascada" utilizando simulaciones de Monte Carlo (MC) etiquetadas. El estadístico de prueba (TS) es una razón de logaritmo de verosimilitud por bins:
   $$TS_e = \log \frac{\mathcal{L}_{cascada}}{\mathcal{L}_{traza}} = \sum_{i,j,k} H^e_{ijk} \log \frac{\lambda^{cascada}_{ijk}}{\lambda^{traza}_{ijk}}$$
   donde $H^e_{ijk}$ es la ocupación observada de los DOMs en un bin específico para el evento $e$, y $\lambda$ representa las probabilidades de las plantillas.

Resultos Clave
El rendimiento de WavePID fue evaluado en conjuntos de Monte Carlo de IceCube DeepCore representando las principales incertidumbres del detector y del modelo de hielo (31 variaciones sistemáticas). El estudio se centró en una muestra enriquecida en cascadas (seleccionada por un puntaje DynEdge $\le 0.4$) con multiplicidades de impactos entre 10 y 20.

• Mejora del Rendimiento: En el régimen de impactos dispersos ($10 \le n_{hit} < 20$), WavePID logró un Área Bajo la Curva (AUC) superior de 0.571 en comparación con 0.542 para DynEdge solo dentro de la misma muestra preseleccionada. Esto demuestra que la estructura de pulso de tiempo temprano codifica información de sabor no capturada por la GNN.
• Ganancia de Pureza: La aplicación de un umbral al estadístico de prueba de WavePID aumentó la pureza de la cascada. En un punto de operación que retiene el 20% de las cascadas, la pureza aumentó de una línea base de 0.66 (solo DynEdge) a 0.75. Esta ganancia de $+7\% \pm 1\%$ se mantuvo estable a través de los 31 conjuntos sistemáticos del detector, indicando robustez ante las incertidumbres en la eficiencia de los DOM, el hielo de los agujeros y las propiedades ópticas del hielo masivo.
• Sistemáticas: El poder de separación se mantuvo estable a través de las variaciones en los parámetros del detector, confirmando que la señal está impulsada por diferencias de tiempo físicas en lugar de artefactos instrumentales.

Significancia y Reivindicaciones
El artículo afirma que WavePID demuestra la viabilidad del uso de la cronometría de un solo PMT a escala de nanosegundos como un observable motivado por los primeros principios para la identificación de sabor en telescopios de neutrinos. Los autores enfatizan que esto es, según su conocimiento, el primer uso explícito del tiempo de nanosegundos de un solo DOM para la identificación de partículas en un telescopio de neutrinos.

La significancia radica en la complementariedad del método: WavePID no reemplaza a los clasificadores basados en morfología, sino que añade una nueva dimensión de información. La discriminación se concentra en el régimen donde el frente de Cherenkov principal de la leptón primaria es resuelto por la cronometría de pulso por cada DOM, una característica que los clasificadores existentes pueden omitir debido a la normalización temporal.

Los autores concluyen que estos resultados motivan la explotación de la cronometría fina por módulo en futuros clasificadores de baja energía y en el diseño de próximos telescopios de neutrinos (como IceCube-Gen2, KM3NeT/ORCA, y otros) que utilicen módulos ópticos multi-PMT o híbridos con resolución temporal mejorada. El artículo señala que la configuración específica presentada es una implementación de referencia, y que la elección óptima de observables y el agrupamiento (binning) dependen de objetivos físicos específicos. La aplicación a datos reales de IceCube y la cuantificación del impacto en la física se reservan para estudios dedicados futuros.