Pulse shape discrimination for $\alpha$ event rejection in BEGe-type high-purity germanium detectors

Cette étude démontre que les classificateurs de discrimination par forme d'impulsion entraînés exclusivement sur des données de rayons gamma peuvent identifier et rejeter efficacement les événements alpha dans les détecteurs au germanium de haute pureté, offrant ainsi une stratégie robuste de suppression du bruit de fond pour les recherches de prochaine génération sur la désintégration double bêta sans neutrino, telles que LEGEND, où les données d'entraînement dédiées aux événements alpha sont insuffisantes.

L'essentiel

Imaginez que vous essayez d'écouter un seul, parfait murmure dans une pièce très bruyante. C'est essentiellement ce que font les scientifiques lorsqu'ils recherchent un événement rare appelé « désintégration bêta double sans neutrino ». Ils utilisent des microphones incroyablement sensibles fabriqués à partir de cristaux de germanium pur (détecteurs) pour attraper ces murmures.

Cependant, la pièce est remplie d'autres bruits :

1. Le bruit « Mauvais » : Parfois, les rayons gamma (un type de rayonnement) rebondissent dans la pièce plusieurs fois avant de s'arrêter. C'est comme si des gens applaudissaient dans différents coins de la pièce. Les scientifiques veulent ignorer cela.
2. Le bruit « Intrus » : Parfois, des particules alpha (de minuscules éclats radioactifs lourds) atterrissent directement sur la surface du microphone. C'est comme si quelqu'un tapait directement sur le microphone avec un doigt. Ils produisent un son qui ressemble beaucoup au « murmure » que les scientifiques chassent, risquant de les tromper en les faisant croire qu'ils ont trouvé quelque chose alors qu'ils ne l'ont pas fait.

Le Problème

Habituellement, pour apprendre à un ordinateur à ignorer le « bruit Mauvais » (les rayons gamma), les scientifiques lui montrent des milliers d'exemples de ces sons. Mais pour le « bruit Intrus » (les particules alpha), il y a un piège : dans les expériences réelles, ces intrus sont si rares qu'il n'y en a pas assez pour apprendre à l' ordinateur à quoi ils ressemblent.

La grande question que pose cet article est : Pouvons-nous apprendre à l'ordinateur à repérer l'« Intrus » simplement en lui montrant le « bruit Mauvais » (les rayons gamma), sans jamais lui montrer un véritable Intrus ?

L'Expérience

Les chercheurs ont mis en place un détecteur de germanium haute technologie (de type « BEGe ») et ont fait deux choses :

1. Entraînement : Ils ont bombardé le détecteur de rayons gamma (en utilisant une source de Thorium) pour enseigner à deux programmes informatiques différents (un « Perceptron multicouche » et un classificateur « Projective Likelihood ») comment distinguer un seul rebond (bon) de multiples rebonds (mauvais).
2. Test : Ils ont ensuite placé une source de Polonium (un émetteur alpha) directement sur la surface du détecteur. Cela a créé des milliers d'événements « Intrus ». Ils ont demandé à l'ordinateur : « Hé, tu as appris à partir des rayons gamma. Peux-tu maintenant repérer et rejeter ces particules alpha ? »

Les Résultats

Les programmes informatiques étaient étonnamment bons dans cette tâche.

• Le filtre « Intelligent » : La meilleure méthode, un type de réseau de neurones artificiels (appelé Perceptron multicouche ou MLP), a agi comme un videur ultra-intelligent.
• Conserver le Bon : Il a conservé plus de 80 % des « murmures » (les événements gamma à site unique qui ressemblent au signal qu'ils recherchent).
• Rejeter le Mauvais : Il a éliminé plus de 80 % des « applaudissements » (les événements gamma multi-sites).
• Expulser les Intrus : Plus important encore, il a rejeté les particules alpha avec une efficacité incroyable. Il a filtré plus de 27 000 particules alpha pour chacune qui a réussi à passer.

L'Analogie

Imaginez le détecteur comme une caméra de sécurité.

• Les rayons gamma sont comme des gens passant par une porte ; parfois une personne passe seule (bon), parfois un groupe passe ensemble (mauvais). La caméra apprend à repérer les groupes.
• Les particules alpha sont comme quelqu'un essayant de grimper par une fenêtre juste à côté de la porte.
• L'article montre qu'en apprenant à repérer les « groupes » à la porte, la caméra a également appris à repérer l'« escaladeur » à la fenêtre, même si elle n'a jamais vu d'escaladeur pendant son entraînement.

La Conclusion

L'article conclut que vous n'avez pas besoin d'une immense bibliothèque d'exemples rares d'« intrus » pour apprendre à votre détecteur comment les rejeter. En entraînant le système uniquement sur le « bruit Mauvais » plus courant (les rayons gamma), les algorithmes d'apprentissage automatique apprennent naturellement à repérer les « intrus » (les particules alpha) également.

C'est une victoire majeure pour les expériences futures (comme le projet LEGEND mentionné dans le texte) car cela signifie qu'ils peuvent construire des détecteurs plus propres et plus sensibles sans avoir besoin d'attendre des années pour collecter suffisamment d'événements alpha rares afin d'entraîner leurs logiciels. Le « filtre intelligent » fonctionne immédiatement, en utilisant uniquement les données qu'ils possèdent déjà.

Résumé technique

Résumé technique : Discrimination de la forme d'impulsion pour le rejet des événements $\alpha$ dans les détecteurs HPGe de type BEGe

Énoncé du problème
Les détecteurs au germanium de haute pureté (HPGe) sont centraux dans la recherche d'événements rares, en particulier la recherche de la désintégration double bêta sans neutrino ($0\nu\beta\beta$) dans le $^{76}\text{Ge}$ (par exemple, l'expérience LEGEND). Bien que ces détecteurs offrent une excellente résolution en énergie et une pureté intrinsèque, ils restent sensibles aux événements de fond. Un défi spécifique est le rejet des particules $\alpha$ émises par des contaminants de surface tels que le $^{210}\text{Po}$ et le $^{226}\text{Ra}$. Si ces émetteurs sont situés sur le contact $p^+$ mince du détecteur, les particules $\alpha$ peuvent déposer une fraction de leur énergie dans le volume actif, créant des signaux qui peuvent imiter la région d'intérêt (ROI) autour de la valeur $Q_{\beta\beta}$ de 2039 keV.

Les techniques standard de discrimination de la forme d'impulsion (PSD) sont efficaces pour distinguer les événements mono-site (SSE, semblables au signal) des événements multi-sites (MSE, rayons $\gamma$ semblables au fond). Cependant, les événements $\alpha$ sont également typiquement de type SSE, ce qui les rend difficiles à rejeter à l'aide de coupes PSD standard basées sur les $\gamma$. De plus, dans les expériences à faible bruit de fond, le nombre total d'événements $\alpha$ observés sur la durée de vie de l'expérience est souvent trop faible pour entraîner des classificateurs dédiés spécifiquement au rejet des $\alpha$. Le problème central abordé est de savoir si un classificateur PSD entraîné exclusivement sur des données de rayons $\gamma à haute statistique (SSE vs MSE) peut identifier et rejeter efficacement les événements$\alpha sans nécessiter de données d'entraînement $\alpha$ dédiées.

Méthodologie
L'étude a utilisé un détecteur germanium à large énergie à contact ponctuel (BEGe). Deux campagnes de mesure ont été menées en surface :

1. Faible statistique (LS) : Utilisation d'une source $^{209}\text{Po}$ ($\sim$0,1 Bq), produisant $\sim 1,36 \times 10^5$ événements $\alpha$.
2. Forte statistique (HS) : Utilisation d'une source $^{210}\text{Po}$ ($\sim$1 Bq), produisant $\sim 1,87 \times 10^6$ événements $\alpha$.

Dans les deux campagnes, une feuille d'or avec du polonium déposé a été placée directement sur le contact $p^+$ du détecteur pour simuler une contamination de surface. Des runs d'étalonnage avec une source $^{228}\text{Th}$ ont fourni les données d'entraînement pour les classificateurs PSD.

Deux approches d'apprentissage automatique (ML) ont été investiguées :

• Vraisemblance projective (PLK) : Un classificateur bayésien naïf supposant l'indépendance statistique entre les caractéristiques d'entrée.
• Perceptron multicouche (MLP) : Un réseau de neurones artificiels feed-forward avec six couches denses (dimensions : 64-32-16-8-4-1), utilisant une activation ReLU pour les couches cachées et une sigmoïde pour la sortie.

Caractéristiques d'entrée et entraînement :

• L'entrée consistait en 64 points du bord montant de la forme d'onde brute (32 échantillons avant, 1 au, et 31 après le courant maximum).
• Les ensembles de données d'entraînement ont été construits à partir des runs d'étalonnage $^{228}\text{Th}$, en sélectionnant des régions d'énergie spécifiques pour définir les classes SSE (pics de double évasion, bord de Compton) et MSE (pics d'évasion simple, pics d'énergie totale, diffusion Compton multiple).
• Six configurations d'entraînement différentes (TC1–TC6) ont été testées, variant les pics spécifiques utilisés pour les définitions SSE et MSE.
• Un classificateur A/E (Amplitude/Énergie) traditionnel a été utilisé comme référence.

Résultats clés
Les classificateurs ont été évalués sur la base de trois métriques : survie des SSE (efficacité du signal), rejet des MSE (suppression du fond) et facteur de rejet des $\alpha$.

1. Performance sur le fond $\gamma$ : Les deux méthodes ML ont séparé avec succès les événements SSE et MSE. Les configurations entraînées sur les pics de double évasion (DEP) ont généralement surpassé celles entraînées sur le bord de Compton (CE). Le MLP a atteint des fractions de survie des SSE $>80\%$ et des fractions de survie des MSE $<20\%$, cohérentes avec ou dépassant les résultats précédents de GERDA et LEGEND.
2. Performance sur le rejet des $\alpha$ : Crucial, les classificateurs entraînés uniquement sur des données $\gamma ont démontré une forte capacité à rejeter les événements$\alpha$.
   • MLP : A obtenu les meilleures performances globales. Pour le run HS (configuration TC2), il a produit un facteur de rejet des $\alpha > 2,71 \times 10^4$ (au niveau de confiance de 90 %) tout en maintenant une haute efficacité de signal.
   • PLK : Également efficace, bien que légèrement moins performant que le MLP en termes de limite inférieure du facteur de rejet.
   • A/E : La méthode A/E traditionnelle a montré un rejet des $\alpha nettement plus faible (facteur$\sim 54$), avec des pics résiduels $\alpha restant visibles dans les spectres.
3. Analyse des formes d'onde : L'étude a observé que les événements $\alpha se regroupent généralement à des scores MLP plus faibles que la bande de signal. Cependant, un regroupement secondaire d'événements$\alpha (environ 1 % du total) est apparu plus près de la bande de signal, probablement dû à des événements se produisant près des bords du contact. Malgré cela, la valeur de coupure optimale a maximisé la figure de mérite (FoM) tout en supprimant la grande majorité des événements $\alpha.

Signification et affirmations
L'article affirme qu'une discrimination robuste de la forme d'impulsion pour les détecteurs HPGe peut être obtenue en utilisant des informations d'entraînement dérivées **uniquement des événements $\gamma**. Cette découverte est significative car elle offre une stratégie pratique pour les expériences de nouvelle génération de$0\nu\beta\beta (comme LEGEND) où des données d'entraînement $\alpha dédiées sont indisponibles en raison de la rareté de tels événements.

Les auteurs concluent que :

• Il n'est pas nécessaire de développer des classificateurs séparés et dédiés pour le rejet des $\alpha.
• Une seule coupure PSD, optimisée sur des données $\gamma, peut simultanément supprimer les fonds multi-sites$\gamma et les fonds de surface $\alpha avec une haute efficacité.
• L'approche MLP est supérieure à la fois à la PLK et à la méthode A/E traditionnelle pour ce rejet à double objectif.

L'étude reconnaît des limitations, notamment les conditions de mesure en surface (bruit de fond muonique plus élevé) et la configuration spécifique du détecteur (remplacement du JFET entre les campagnes). Les auteurs suggèrent que la répétition de l'expérience souterraine réduirait davantage le bruit de fond, permettant potentiellement un facteur de rejet des $\alpha de l'ordre de$10^5$.