Suppression of Neutron Background using Deep Neural Network and Fourier Frequency Analysis at the KOTO Experiment

Cette étude présente deux techniques d'analyse, basées sur un réseau de neurones convolutif profond et une analyse fréquentielle de Fourier, qui ont permis de supprimer le bruit de fond neutronique d'un facteur $5,6\times10^5$ tout en maintenant une efficacité de 70 % pour la recherche de la désintégration rare $K^0_L\rightarrow\pi^0\nu\bar{\nu}$ dans l'expérience KOTO au J-PARC.

L'essentiel

🕵️‍♂️ La Chasse au Fantôme : Comment KOTO a appris à distinguer les vrais photons des "faux" neutrons

Imaginez que vous êtes un détective dans un immense laboratoire de physique (l'expérience KOTO au Japon). Votre mission est de trouver un événement extrêmement rare, presque impossible à voir : la disparition d'une particule appelée Kaon qui se transforme en deux photons (de la lumière) et deux neutrinos (des particules fantômes invisibles).

Le problème ? Votre laboratoire est rempli de "bruit". Des particules indésirables, appelées neutrons, traversent vos détecteurs et imitent parfaitement le comportement des photons. C'est comme si un voleur portait un déguisement parfait pour ressembler à un citoyen honnête.

Ce papier explique comment les scientifiques ont créé deux nouveaux outils de détection ultra-puissants pour repérer le voleur (le neutron) et ne garder que le citoyen (le photon).

1. Le Détecteur : Une Mosaïque Géante de Cristaux

Le cœur de l'expérience est un détecteur appelé CSI, rempli de 2 716 cristaux d'iodure de césium (comme de gros blocs de sel géants).

• La scène du crime : Quand une particule (photon ou neutron) frappe ces cristaux, elle laisse une trace d'énergie.
• La différence subtile :
  • Un photon (le bon candidat) laisse une empreinte propre, ronde et symétrique, comme une goutte d'eau tombant sur du sable.
  • Un neutron (le voleur) laisse une empreinte bizarre, asymétrique et avec une "queue" traînante, comme si quelqu'un avait traîné un sac lourd dans le sable.

2. L'Outil N°1 : L'Intelligence Artificielle (Le "Cerveau" qui regarde les formes)

Pour distinguer ces empreintes, les chercheurs ont utilisé une Réseau de Neurones Convolutif (CNN).

• L'analogie : Imaginez que vous apprenez à un enfant à reconnaître des chats et des chiens. Au début, il confond les deux. Mais si vous lui montrez des milliers de photos et que vous lui dites "regarde la forme des oreilles", il finit par devenir un expert.
• Dans le papier : L'ordinateur a été "entraîné" avec des millions de simulations. Il a appris à scanner la forme de l'empreinte laissée par la particule sur les cristaux.
  • Si la forme est ronde et symétrique ➡️ C'est un photon (On garde).
  • Si la forme est tordue et bizarre ➡️ C'est un neutron (On rejette).
• Résultat : Cette méthode a éliminé 150 neutrons pour chaque photon qu'elle a gardé.

3. L'Outil N°2 : L'Analyse de la "Musique" (La Transformée de Fourier)

Même si la forme est trompeuse, le signal électrique produit par le cristal a une "signature sonore" différente.

• L'analogie : Imaginez que le photon et le neutron sont deux musiciens jouant la même note.
  • Le photon joue une note courte et nette, comme un coup de cymbale.
  • Le neutron joue la même note, mais avec une longue résonance qui traîne, comme un violon qui résonne longtemps après l'arrêt de l'archet.
• La technique : Les scientifiques ont utilisé une méthode mathématique appelée Analyse de Fourier (comme un égaliseur de musique très précis) pour décomposer le signal. Ils ont regardé les "fréquences basses" (la résonance).
  • Si le signal a une longue queue (beaucoup de basses fréquences) ➡️ C'est un neutron.
  • Si le signal s'arrête net ➡️ C'est un photon.
• Résultat : Cette méthode a éliminé 6,5 neutrons pour chaque photon gardé.

4. Le Grand Final : La Combinaison des Forces

Le vrai génie de l'article réside dans le fait d'avoir combiné ces deux méthodes.

• C'est comme avoir un détective qui regarde la forme du voleur ET un autre qui écoute sa voix. Même si le voleur réussit à se déguiser pour l'un, l'autre le repèrera.

Les chiffres clés de la victoire :
En utilisant ces deux techniques ensemble sur les données de 2016-2018 :

1. Ils ont réussi à éliminer les neutrons avec une efficacité incroyable : un facteur de 560 000 ! (C'est comme trouver une aiguille dans une botte de foin, puis enlever 560 000 botte de foin supplémentaires pour ne garder que la vraie aiguille).
2. Et le plus important : ils n'ont pas perdu les vrais photons. Ils ont gardé 70 % des événements intéressants.

🏁 Conclusion

Grâce à l'intelligence artificielle (pour voir les formes) et à l'analyse mathématique des signaux (pour écouter les sons), l'expérience KOTO a considérablement nettoyé son laboratoire du "bruit" des neutrons. Cela leur permet d'être beaucoup plus sûrs de leurs résultats lorsqu'ils cherchent ce phénomène rare et mystérieux de la physique : la désintégration du Kaon.

C'est une victoire de la technologie moderne (Deep Learning) appliquée à la chasse aux particules les plus insaisissables de l'univers.

Résumé technique

1. Problématique et Contexte

L'expérience KOTO, située au centre J-PARC au Japon, vise à détecter la désintégration extrêmement rare du kaon neutre long ($K_L^0$) en un pion neutre et deux neutrinos ($K_L^0 \to \pi^0 \nu \bar{\nu}$). Selon le Modèle Standard, le taux de branchement théorique est d'environ $3.00 \times 10^{-11}$.

Le principal défi de cette expérience est la suppression du bruit de fond, en particulier celui généré par les neutrons de l'halo du faisceau. Ces neutrons peuvent interagir dans le calorimètre électromagnétique (CSI) en produisant deux signaux semblables à des photons, imitant ainsi la signature de la désintégration recherchée. Les méthodes de discrimination traditionnelles (basées sur la forme des amas de cristaux et la forme des impulsions) avaient déjà été utilisées, mais une suppression plus efficace était nécessaire pour atteindre la sensibilité requise par les données de 2016-2018.

2. Méthodologie

Les auteurs proposent deux techniques d'analyse novatrices pour distinguer les interactions photoniques (signal) des interactions hadroniques (bruit de fond neutronique) dans le calorimètre en iodure de césium (CsI) non dopé :

A. Discrimination par la forme des amas (Cluster Shape Discrimination - CSD) via un Réseau de Neurones Convolutifs (CNN)

• Principe : Les photons (interactions électromagnétiques) et les neutrons (interactions hadroniques) produisent des distributions d'énergie et de temps différentes dans les cristaux CsI. Les amas de photons sont généralement plus circulaires et symétriques, tandis que ceux des neutrons sont plus asymétriques.
• Architecture du modèle : Un réseau de neurones profond (Deep Learning) a été entraîné pour classer ces formes.
  • Entrées : Des images de la forme de l'amas (énergie et temps) dans la grille du CSI, complétées par l'énergie incidente ($E$) et les angles de direction ($\theta, \phi$).
  • Structure : Le réseau comprend 4 couches de convolution (utilisant des filtres $3 \times 3$) suivies de 6 couches denses (2048 neurones chacune).
  • Prétraitement : Les données sont normalisées et les images sont pliées/miroirées pour exploiter la symétrie octogonale du détecteur. L'augmentation de données (rotation, transposition) est utilisée pour éviter le surapprentissage.
  • Sortie : Une probabilité (score CSD) où 1 indique un photon et 0 un neutron.

B. Discrimination par la forme des impulsions (Pulse Shape Discrimination - PSD) via l'Analyse de Fourier

• Principe : Les impulsions générées par les neutrons dans les cristaux CsI possèdent une "queue" (taille) plus longue que celles des photons en raison des différences dans les processus d'interaction.
• Méthode : Une Transformée de Fourier Discrète (DFT) est appliquée aux échantillons de la forme d'onde (28 échantillons ADC).
• Extraction des caractéristiques : L'analyse se concentre sur les amplitudes des 5 premières fréquences sinusoïdales (les plus basses), qui codent l'information sur la queue de l'impulsion.
• Calcul de vraisemblance : Des modèles (templates) sont créés pour chaque cristal et chaque plage d'énergie. Une vraisemblance ($L$) est calculée pour chaque cristal, puis multipliée sur l'ensemble de l'amas pour obtenir un rapport de vraisemblance final (Score PSD).

C. Estimation du bruit de fond

Une méthode pondérée par les événements est utilisée pour estimer le nombre résiduel de neutrons après application des coupures. Cette méthode calcule la probabilité de survie ($W$) de chaque neutron en fonction de son énergie et de son angle, permettant de prédire avec précision le bruit de fond restant sans dépendre uniquement de la statistique des événements observés.

3. Contributions Clés

1. Application du Deep Learning : Première utilisation d'un CNN pour classifier les formes d'amas dans le contexte de la recherche de $K_L^0 \to \pi^0 \nu \bar{\nu}$, surpassant les méthodes de discrimination manuelles.
2. Optimisation de l'analyse de Fourier : Utilisation de la DFT pour extraire des caractéristiques temporelles fines des impulsions, améliorant significativement la séparation par rapport aux méthodes précédentes (facteur d'amélioration d'environ 2).
3. Méthodologie d'estimation robuste : Développement d'une méthode de pondération des événements permettant de prédire le bruit de fond neutronique avec une grande précision, validée par la cohérence entre les prédictions et les observations dans les régions de contrôle.

4. Résultats

L'application combinée de ces deux techniques sur les données de 2016-2018 a conduit aux résultats suivants :

• Suppression du bruit de fond : Le bruit de fond neutronique a été réduit d'un facteur $5,6 \times 10^5$ par rapport aux données brutes.
• Efficacité du signal : L'efficacité de détection pour le signal $K_L^0 \to \pi^0 \nu \bar{\nu}$ a été maintenue à 69,9 % (environ 70 %).
• Validation : Dans la région de signal (Signal Box), aucune interaction neutronique n'a été observée après application des seuils stricts (CSD > 0,985 et PSD > 0,5), ce qui correspond parfaitement à la prédiction statistique de $0,0106 \pm 0,0002$ événement résiduel.
• Amélioration par rapport aux travaux précédents : Cette approche a permis de supprimer le bruit de fond d'un facteur 26 par rapport à l'analyse des données de 2015.

5. Signification

Ce travail représente une avancée majeure pour l'expérience KOTO. En réduisant drastiquement le bruit de fond dominant (les neutrons de l'halo) tout en préservant une haute efficacité pour le signal rare, ces techniques permettent d'atteindre une sensibilité sans précédent pour la recherche de la violation de la symétrie CP dans le secteur des saveurs. La démonstration de l'efficacité des réseaux de neurones profonds et de l'analyse spectrale de Fourier dans la physique des hautes énergies ouvre la voie à des analyses plus sophistiquées pour les expériences futures cherchant des processus ultra-rares.