CUORE Data Release for ML Applications: Pulse Shape Analysis Dataset

Resumen Técnico: Liberación de Datos de CUORE para Aplicaciones de ML

Planteamiento del Problema
El experimento CUORE (Cryogenic Underground Observatory for Rare Events) busca la desintegración de doble beta sin neutrinos ($0\nu\beta\beta$) del $^{130}\text{Te}$. Una fuente significativa de fondo en esta búsqueda surge de eventos de "apilamiento" (pile-up), donde dos o más interacciones de partículas separadas depositan energía dentro de la misma ventana de evento de 10 segundos de un único calorímetro de cristal. Estos eventos de apilamiento pueden imitar la firma de energía de un evento de una sola partícula o distorsionar el fondo cerca del pico esperado de la desintegración ($Q_{\beta\beta}$). Aunque la colaboración ha establecido métodos basados en la física para identificar estos eventos, existe una creciente demanda de conjuntos de datos científicos abiertos para desarrollar y evaluar algoritmos de Inteligencia Artificial y Aprendizaje Automático (IA/ML) para el análisis de la forma de onda del pulso y la clasificación en calorimetría criogénica.

Metodología y Construcción del Conjunto de Datos
Este artículo presenta un conjunto de datos curado derivado de los datos de calibración de CUORE, diseñado específicamente para apoyar enfoques de aprendizaje supervisado para la clasificación de pulsos. El conjunto de datos aborda el problema de clasificación binaria de distinguir entre:

• Clase 0 (Pulsos Limpios): Eventos de pulso único que exhiben la forma de pulso térmico estándar dentro de una ventana de 10 segundos.
• Clase 1 (Pulsos con Apilamiento): Eventos que contienen dos o más pulsos dentro de la misma ventana, que pueden estar separados en el tiempo y tener amplitudes variables.

Especificaciones de los Datos:

• Fuente: 988 calorímetros de cristales de $\text{TeO}_2$ operados a $\sim10$ mK.
• Formato: Archivos HDF5 que contienen 10,000 eventos totales (5,000 limpios, 5,000 con apilamiento).
• Estructura de la Forma de Onda: Cada evento es una serie temporal unidimensional de longitud 10,000, muestreada a 1 kHz. La ventana está definida de tal manera que el punto medio del ascenso del pulso disparado ocurre cerca del índice 3000, proporcionando $\sim3$ segundos de línea base pre-disparo.
• Etiquetado: Las etiquetas se derivan del número de pulsos detectados ($n_{\text{pulses}}$) y del Error de Reconstrucción Normalizado ($n_{\text{rei}}$) del corte de discriminación de la forma de pulso de CUORE de 2 toneladas·año. Se asigna una etiqueta de 0 si $n_{\text{pulses}}=1$ y $|n_{\text{rei}}| < 10$; se asigna una etiqueta de 1 si $n_{\text{pulses}} > 1$ y $|n_{\text{rei}}| > 10$.
• Normalización: Para facilitar el preprocesamiento de IA/ML, cada evento incluye metadatos para la normalización: un desfase (media de las primeras 2,500 muestras), un valor máximo y un factor de escala. El artículo proporciona scripts de Python que demuestran cómo construir formas de onda normalizadas $\tilde{p}_i(t)$ y recortarlas a un rango de $[0, 1]$.

Contribuciones Clave

1. Liberación de Conjunto de Datos Público: La colaboración ha liberado un subconjunto de sus datos a través de Zenodo (DOI: 10.5281/zenodo.20721645) en formato HDF5, dividido en un 90% para entrenamiento y un 10% para prueba.
2. Evaluación Estándar (Benchmarking): El artículo propone un desafío específico de clasificación de pulsos. Se invita a los participantes a enviar predicciones sobre el conjunto de prueba reservado (donde las etiquetas se mantienen ocultas) para ser evaluadas mediante:
   • Área bajo la curva característica operativa del receptor (AUC-ROC).
   • Precisión de Clasificación (Accuracy).
   • Tasa de Falsos Positivos (FPR) en una Tasa de Verdaderos Positivos (TPR) fija de 90%, una métrica relevante para análisis físicos que requieren una eficiencia de señal controlada.
3. Reproducibilidad: Los autores proporcionan ejemplos mínimos de Python utilizando h5py y numpy para cargar, normalizar y formatear los datos para entradas de redes neuronales Conv1D.

Resultos y Afirmaciones
El artículo no presenta los resultados de un modelo de aprendizaje automático específico entrenado por los autores, ni afirma haber establecido un nuevo récord en la precisión de clasificación. En su lugar, los "resultados" presentados son la curación y liberación exitosa del conjunto de datos en sí. Los autores afirman que esta liberación sirve como un "excelente recurso" para la comunidad de IA/ML al combinar datos criogénicos de series temporales de alta calidad con etiquetas bien comprendidas basadas en la física.

Significado
La importancia de este trabajo radica en su facilitación de la ciencia abierta y el avance de las técnicas de análisis para búsquedas de eventos raros. Al proporcionar un conjunto de datos estandarizado con etiquetas binarias claras (limpio frente a apilamiento), la Colaboración CUORE permite la prueba y el desarrollo de algoritmos de aprendizaje supervisado para el análisis de la forma de pulso. Esto apoya el objetivo más amplio de mejorar el rechazo de fondo en las búsquedas de desintegración de $0\nu\beta\beta$ y otras aplicaciones que involucran calorímetros criogénicos. Los autores solicitan explícitamente que los usuarios citen los resultados físicos relevantes de CUORE (Ref. [4]) y este artículo de arXiv específico en cualquier publicación resultante del uso de estos datos.