Afterpulse prediction for SUBMET experiment

Cet article présente une méthode de prédiction des taux d'impulsions après-coup dans le détecteur SUBMET, permettant de reproduire les taux observés avec une précision d'environ 20 % et d'améliorer ainsi la fiabilité des prédictions de bruit de fond pour la recherche de particules faiblement chargées.

L'essentiel

🕵️‍♂️ Le Détective de l'Ombre : Comprendre le projet SUBMET et ses "Échos"

Imaginez que vous essayez d'entendre le chuchotement le plus fin du monde dans une salle de concert bondée. C'est exactement ce que fait l'expérience SUBMET.

1. La Mission : Chasser les "Particules Fantômes"

Les scientifiques cherchent une particule mystérieuse appelée particule à charge fractionnée (ou "millicharged"). C'est comme un fantôme qui a une très petite charge électrique, beaucoup plus faible que celle d'un électron ordinaire.

• Le lieu : Ils utilisent un accélérateur de particules géant au Japon (J-PARC) qui envoie des paquets de protons comme des balles de fusil.
• L'outil : Leur détecteur est une longue boîte remplie de 160 "modules". Chaque module est une barre de plastique spécial (qui brille quand une particule passe) collée à un tube photomultiplicateur (PMT). Ce tube est comme une oreille ultra-sensible capable de voir un seul photon (un grain de lumière).

2. Le Problème : L'Écho qui trompe

Le problème, c'est que ces "oreilles" (les tubes PMT) ont un défaut : elles ont des échos.
Quand une grosse particule frappe le détecteur, elle crée un gros signal (un "grand pulse"). Mais quelques instants plus tard, le tube produit de petits signaux parasites appelés "afterpulses" (impulsions secondaires).

• L'analogie : Imaginez que vous tapez fort sur un tambour. Le son principal est fort, mais il reste un léger bourdonnement ou un écho qui dure quelques secondes.
• Le danger : Ces échos ressemblent exactement au signal que les scientifiques cherchent (le chuchotement de la particule fantôme). Si on ne fait pas la différence, on risque de confondre un écho de tambour avec un fantôme !

3. La Solution : Le Prédicteur d'Échos

Au lieu d'ignorer les données où il y a eu un gros impact (ce qui serait gaspiller beaucoup d'informations), les auteurs de l'article ont créé un modèle de prédiction. C'est une sorte de "météo" pour les échos.

Ils ont découvert deux règles simples :

1. Plus le coup est fort, plus l'écho est nombreux : Si le signal initial est très gros (grande surface), il y aura beaucoup d'échos. C'est comme frapper très fort sur le tambour : l'écho sera plus long et plus fréquent.
2. L'écho s'efface avec le temps : Les échos apparaissent juste après le coup, puis disparaissent rapidement, comme une onde qui s'apaise.

La recette magique :
Les scientifiques ont mesuré pour chaque module :

• Combien d'échos on obtient en fonction de la force du coup initial.
• Combien de temps il faut pour que l'écho s'arrête (un "temps de décélération" propre à chaque tube).

Avec ces deux chiffres, ils peuvent maintenant dire : "Si vous avez vu un gros signal à telle heure, attendez-vous à voir exactement X petits échos dans les secondes qui suivent."

4. Le Résultat : Une Précision de 20 %

Leur modèle fonctionne très bien. Il prédit le nombre d'échos avec une précision d'environ 20 %.
C'est comme si vous pouviez regarder un orage et prédire avec assez de certitude combien de gouttes de pluie vont tomber sur votre parapluie dans les 10 prochaines secondes.

Pourquoi est-ce important ?

Grâce à ce modèle, les scientifiques peuvent :

• Nettoyer leurs données : Ils savent exactement combien de "bruit" (les échos) il y a dans leurs mesures.
• Sauver des données : Au lieu de jeter les événements où il y a eu un gros impact, ils peuvent les utiliser en soustrayant mathématiquement les échos prédits.
• Mieux voir le fantôme : En retirant le bruit de fond, ils ont plus de chances de repérer la vraie particule mystérieuse si elle existe.

En résumé

Ce papier explique comment les scientifiques du projet SUBMET ont appris à prédire les échos de leurs instruments pour ne pas se tromper. C'est comme apprendre à distinguer le bruit de la pluie de celui d'un vrai message caché, ce qui rend leur chasse aux particules exotiques beaucoup plus efficace et fiable.

Résumé technique

Titre : Prédiction des impulsions parasites (afterpulses) pour l'expérience SUBMET

1. Contexte et Problématique

L'expérience SUBMET (SUB-Millicharge ExperimenT), installée au complexe d'accélérateur de protons J-PARC au Japon, vise à détecter des particules faiblement chargées (millicharged particles, $\chi$) dans une région de l'espace des paramètres jusqu'alors inexplorée (masse $m_\chi < 1,6$ GeV/c$^2$ et charge $Q_\chi < 10^{-3}e$).

Le détecteur est composé de 160 modules, chacun associant un barreau scintillateur plastique (Eljen-200) à un photomultiplicateur (PMT) Hamamatsu R7725.

• Le problème : Les PMT génèrent des signaux retardés appelés « impulsions parasites » (afterpulses) suite à des impulsions primaires énergétiques (« grandes impulsions »). Ces afterpulses apparaissent typiquement entre 720 ns et 3600 ns après l'impulsion principale.
• La difficulté : Dans le contexte de SUBMET, les afterpulses sont souvent indistinguables des signaux de l'objectif scientifique (les impulsions d'un seul photoélectron, SPE). Cela augmente considérablement le taux de bruit de fond, rendant difficile l'identification des signaux réels de particules faiblement chargées, surtout lorsque le faisceau de protons de 30 GeV (composé de 8 paquets espacés de ~600 ns) génère de nombreuses grandes impulsions.

2. Méthodologie

Les auteurs ont développé un modèle prédictif pour estimer le taux d'afterpulses en fonction de paramètres mesurables, permettant d'inclure les événements contenant de grandes impulsions dans l'analyse des données.

A. Collecte des données et configuration :

• Des données de faisceau ont été collectées en juin 2024 avec un déclenchement (trigger) retardé pour capturer une fenêtre de lecture de 4 µs après le dernier paquet de protons.
• Un ensemble de 50 000 événements a été utilisé : la moitié pour l'ajustement (fit) des paramètres du modèle et l'autre moitié pour évaluer les performances.
• Les courants d'obscurité et les taux de radiation (de l'ordre de $10^3$ Hz) sont négligeables par rapport au taux d'afterpulses ($10^6$ Hz).

B. Observables clés :

1. Dépendance à la surface de l'impulsion (Area) : Le nombre d'afterpulses ($n$) dans une fenêtre temporelle fixe est corrélé positivement avec la surface ($A$) de l'impulsion primaire génératrice.
2. Structure temporelle : La distribution temporelle des afterpulses par rapport à l'impulsion principale suit une décroissance exponentielle.

C. Modèle de prédiction :
Le modèle repose sur l'hypothèse que le taux d'afterpulses ($dn/dt$) dépend de la surface de l'impulsion ($A$) et d'une constante de temps ($\tau$) spécifique à chaque module.

• Étape 1 : Ajustement de la relation entre le nombre d'afterpulses et la surface de l'impulsion. Deux fonctions sont testées :
  • Linéaire : $n_{pred} = p_0 + p_1 A$
  • Exponentielle : $n_{pred} = \exp(p_0 + p_1 A)$
• Étape 2 : Détermination de la constante de temps $\tau$ pour chaque module via un ajustement exponentiel de la distribution des délais ($\Delta t$). Il a été constaté que $\tau$ est indépendant de $A$.
• Étape 3 : Formule de prédiction. Le nombre d'afterpulses prédit dans une fenêtre arbitraire $[t_i, t_f]$ est calculé en intégrant la loi de décroissance exponentielle normalisée par la relation surface-comptage.

3. Résultats Clés

• Paramètres du modèle : Les paramètres d'ajustement ($p_0, p_1$) et la constante de temps $\tau$ ont été mesurés individuellement pour les 160 modules. La distribution de $\tau$ a une moyenne de 1450 ns (écart-type 140 ns).
• Performance de prédiction :
  • Le modèle reproduit les taux d'afterpulses observés avec une précision d'environ 20 %.
  • Le rapport $\chi^2/ndf$ moyen est de 0,731 pour le modèle linéaire et 0,750 pour le modèle exponentiel, indiquant un excellent accord entre les données et la prédiction pour les deux approches.
  • La surface de l'impulsion (Area) s'est révélée être une variable plus fiable que la hauteur de l'impulsion pour la prédiction.
• Comparaison des modèles : Bien que les deux modèles (linéaire et exponentiel) offrent une précision comparable, le modèle linéaire a été sélectionné pour les analyses ultérieures en raison de sa simplicité.

4. Contributions et Signification

• Réduction du bruit de fond : Cette méthode permet de quantifier précisément la contribution des afterpulses au bruit de fond. Cela est crucial car plus de 70 % des événements de collision contiennent au moins une grande impulsion. Sans cette correction, ces événements devraient être rejetés, entraînant une perte massive de données.
• Fiabilité de l'expérience : En permettant d'inclure les événements avec de grandes impulsions dans l'analyse tout en soustrayant le bruit de fond prédit, la sensibilité de l'expérience SUBMET à la détection de particules faiblement chargées est considérablement améliorée.
• Généralité : La méthodologie développée, basée sur des paramètres mesurables et une modélisation par module, offre une approche robuste pour gérer les effets de saturation et de bruit des PMT dans les expériences de physique des hautes énergies utilisant des scintillateurs.

En conclusion, ce travail établit une base solide pour la soustraction du bruit de fond dans SUBMET, garantissant la fiabilité des prédictions de bruit de fond et maximisant l'utilisation des données de collision pour la recherche de nouvelle physique.