Deep Learning-Based $^{14}$C Pile-Up Identification in the JUNO Experiment

Cette contribution présente l'application de modèles d'apprentissage profond, notamment des architectures convolutionnelles et des transformateurs, pour identifier efficacement les événements d'empilement causés par le $^{14}$C dans l'expérience JUNO, afin d'améliorer la résolution énergétique des positrons et de déterminer l'ordre de masse des neutrinos.

L'essentiel

🌌 La Grande Quête du JUNO : Trouver l'Ordre des Masses

Imaginez que l'univers est un immense puzzle dont nous avons perdu une pièce cruciale : l'ordre des masses des neutrinos. Ces particules fantômes, les neutrinos, sont partout, mais elles sont si timides qu'elles traversent tout sans rien toucher. Pour les attraper, les scientifiques ont construit le JUNO, un détecteur géant caché sous terre en Chine.

Leur objectif ? Déterminer l'ordre de ces masses avec une certitude de 99,7 % (ce qu'ils appellent un "3 sigma") en seulement 6 ans. C'est comme essayer de deviner le poids exact d'un grain de sable en soufflant dessus, mais avec une précision chirurgicale.

🍬 Le Problème du "Sucre" et de la "Miettes"

Pour attraper ces neutrinos, le JUNO utilise un océan de scintillateur liquide (une sorte de gelée géante qui brille quand une particule passe dedans). Quand un neutrino frappe un proton, cela crée une positron (une sorte de "jumeau" de l'électron) qui brille intensément. C'est le signal qu'on cherche.

Mais voici le hic :
Dans cette gelée, il y a une petite pollution naturelle : des atomes de Carbone-14 (14C). Imaginez que vous essayez d'entendre une chanson douce (le neutrino) dans une pièce, mais qu'il y a des miettes de pain qui tombent partout sur le sol (le Carbone-14).

• La chanson est forte et claire.
• Les miettes sont faibles, mais elles tombent souvent au même moment et au même endroit que la chanson.

Quand une miette tombe exactement au moment où la chanson joue, cela crée un "bruit de fond" ou un pile-up (un empilement). Cela fausse la mesure du volume de la chanson. Si on ne nettoie pas ces miettes, on ne pourra jamais mesurer la masse des neutrinos avec assez de précision.

🤖 La Solution : Des Détectives Inteligents (L'Intelligence Artificielle)

Le défi est de repérer ces miettes (les événements de Carbone-14) qui se cachent dans le bruit. Le problème, c'est qu'elles sont très petites et parfois collées à la chanson principale. C'est comme essayer de trouver une aiguille dans une botte de foin, sauf que l'aiguille est transparente et que la botte de foin bouge.

Les auteurs de l'article ont utilisé l'Intelligence Artificielle (Deep Learning) pour entraîner trois types de "détectives" différents à repérer ces miettes :

1. Le Détective "Photo" (CNN 2D)

Imaginez que vous prenez une photo instantanée de la pièce. Vous voyez où les miettes ont atterri sur le sol (les capteurs) et vous voyez la couleur de la lumière.

• Comment ça marche : L'IA transforme les données du détecteur en une image à deux dimensions (comme une photo). Elle regarde les motifs de lumière.
• Résultat : C'est bien, mais c'est un peu lent et parfois elle se trompe quand la miette est trop collée à la chanson.

2. Le Détective "Ondes Sonores" (CNN 1D)

Au lieu de regarder une photo, imaginez que vous écoutez l'histoire du temps. Quand la miette tombe, elle fait un petit "tic" sur le chronomètre.

• Comment ça marche : L'IA regarde la ligne du temps. Elle cherche à voir s'il y a deux groupes de sons (un pour la chanson, un pour la miette) ou un seul gros groupe confus.
• Résultat : C'est beaucoup plus efficace ! Elle repère très bien les miettes qui tombent juste avant ou juste après la chanson. C'est comme un chef d'orchestre qui entend une fausse note même si elle est rapide.

3. Le Détective "Super-Intelligent" (Transformer)

C'est le même principe que le détective "Ondes Sonores", mais avec une technologie encore plus récente (la même que celle utilisée par les traducteurs automatiques ou les chatbots).

• Comment ça marche : Au lieu de juste écouter les sons, ce modèle comprend le contexte global. Il analyse la séquence entière pour deviner si quelque chose ne va pas.
• Résultat : Il fonctionne aussi bien que le détective "Ondes Sonores", mais il est très puissant pour comprendre les relations complexes entre les événements.

🏆 Le Verdict Final

Après avoir testé ces trois détectives sur des millions de simulations :

• Le modèle "Photo" (2D) est correct, mais un peu lent et moins précis dans les cas difficiles.
• Les modèles "Ondes Sonores" (1D) et "Super-Intelligent" (Transformer) sont les champions. Ils réussissent à repérer les miettes (les événements de Carbone-14) même quand elles sont très proches de la chanson principale.

Pourquoi est-ce important ?
En réussissant à identifier et à retirer ces "miettes" de Carbone-14, le détecteur JUNO pourra mesurer la lumière des neutrinos avec une précision parfaite. C'est la clé pour résoudre l'énigme de la masse des neutrinos et comprendre pourquoi l'univers est fait de matière plutôt que d'antimatière.

En résumé : L'IA est le nouveau balai magique qui permet de nettoyer le laboratoire du futur pour que les scientifiques puissent voir clairement l'univers.

Résumé technique

1. Problématique

L'expérience JUNO (Jiangmen Underground Neutrino Observatory) vise à déterminer l'ordre de masse des neutrinos (NMO) avec un niveau de confiance de 3 sigmas sur une période de 6 ans. Un paramètre critique pour atteindre cet objectif est la résolution énergétique des positrons ($e^+$) issus de la désintégration bêta inverse (IBD), qui doit être inférieure à 3 %.

Cependant, la présence d'isotopes résiduels de Carbone-14 ($^{14}$C) dans le scintillateur liquide pose un défi majeur. Les événements de $^{14}$C peuvent se produire en coïncidence temporelle et spatiale avec les événements de positrons, créant des effets de « pile-up » (superposition). Ces superpositions dégradent la résolution énergétique des positrons. La difficulté réside dans le fait que le signal de la $^{14}$C est considérablement plus faible que celui du positron, et que les temps et les sommets (vertices) des deux événements sont souvent très proches, rendant leur distinction par des méthodes traditionnelles complexe.

2. Méthodologie

L'étude propose l'utilisation de modèles d'apprentissage profond (Deep Learning) pour identifier et classifier les événements de pile-up. Les données utilisées proviennent de simulations complètes du détecteur JUNO (logiciel J22.1.0-rc0), incluant Geant4, la simulation électronique et la reconstruction d'événements. Le jeu de données comprend des événements purs de $e^+$ et des événements de $e^+$ avec un pile-up de $^{14}$C (avec un nombre de coups de tubes photomultiplicateurs (PMT) de $^{14}$C supérieur à 50).

Trois architectures de réseaux de neurones ont été développées et comparées :

• Réseau de Neurones Convolutifs 2D (2DCNN) :

  • Principe : Les données des PMT sont transformées en images 2D. Une carte de correspondance entre l'ID du PMT et les coordonnées $(x, y)$ est établie.
  • Entrées : Deux canaux d'image sont créés : le premier représente la charge collectée, et le second le temps de la première impulsion (first hit time).
  • Architecture : Comprend des couches de convolution 2D, de normalisation par lots (batch normalization), de pooling max et de couches entièrement connectées, utilisant la fonction d'activation ReLU.

• Réseau de Neurones Convolutifs 1D (1DCNN) :

  • Principe : L'analyse se base sur la distribution temporelle des coups de PMT. Les événements de pile-up présentent généralement deux clusters temporels (un pour $e^+$, un pour $^{14}$C), ou un seul si les temps sont très proches.
  • Entrées : Deux canaux 1D représentant le nombre de coups de PMT en fonction du temps :
    1. Temps absolu (de -250 ns à 1250 ns).
    2. Temps de vol soustrait (de -500 ns à 1000 ns).
  • Architecture : Similaire au 2DCNN mais utilisant des couches de convolution, de normalisation et de pooling 1D.

• Modèle basé sur Transformer :

  • Principe : Adaptation de l'architecture Transformer (initialement conçue pour le NLP) à la physique des particules.
  • Entrées : Les mêmes données 1D que le 1DCNN sont traitées comme une séquence de vecteurs.
  • Architecture : Les données passent par une couche de convolution pour l'embedding, suivie d'un encodeur de position, d'une couche d'encodeur Transformer standard, et enfin de couches entièrement connectées pour la sortie.

3. Résultats Clés

L'évaluation a été réalisée sur des échantillons de test avec des énergies cinétiques de positrons de 0 à 5 MeV.

• Efficacité de détection :

  • Les trois modèles atteignent une efficacité de 99 % pour les événements purs de $e^+$ (faux positifs contrôlés).
  • Pour les événements de pile-up, les modèles 1DCNN et Transformer surpassent nettement le 2DCNN dans la « région clé » où la différence de temps entre $^{14}$C et la lecture électronique est comprise entre 0 et 300 ns. C'est précisément dans cette zone que la résolution énergétique est la plus critique.
  • Le 2DCNN montre des performances suboptimales dans cette région temporelle étroite, tandis que les modèles 1D et Transformer maintiennent une haute efficacité.

• Comparaison des performances :

  • Les performances du modèle Transformer sont très similaires à celles du 1DCNN, confirmant la viabilité de l'approche Transformer pour ce type de tâche.
  • Les événements difficiles à identifier (faible nombre de coups de PMT ou superposition temporelle/spatiale très forte) restent un défi, mais leur impact sur la résolution globale est soit négligeable (faible nombre de coups), soit inévitable sans reconstruction avancée.

• Temps d'entraînement (par époque) :

  • 1DCNN : ~4 minutes (le plus rapide).
  • Transformer : ~27 minutes.
  • 2DCNN : ~60 minutes (le plus lent).

4. Contributions et Signification

• Innovation Méthodologique : Cette étude est l'une des premières à appliquer avec succès des architectures Transformer et des CNN 1D pour l'identification de pile-up dans un détecteur de neutrinos à grande échelle, dépassant les approches traditionnelles basées sur l'image 2D (2DCNN) qui s'avèrent moins efficaces pour les superpositions temporelles fines.
• Impact sur l'Expérience JUNO : La capacité à identifier précisément les événements de pile-up dans la fenêtre temporelle critique (0-300 ns) est une étape indispensable pour développer des algorithmes de reconstruction d'énergie capables de corriger ces effets.
• Perspective : En permettant une identification efficace des événements de pile-up, ces méthodes de Deep Learning contribuent directement à préserver la résolution énergétique requise (< 3 %) pour que l'expérience JUNO puisse atteindre son objectif scientifique de déterminer l'ordre de masse des neutrinos.

En conclusion, l'approche basée sur le Deep Learning, et plus particulièrement les modèles 1DCNN et Transformer, offre une solution prometteuse et efficace pour atténuer l'impact des isotopes de $^{14}$C sur la précision des mesures de l'expérience JUNO.