⚛️ high-energy experiments

Optimized filtering for pulse-shape based pile-up rejection applied to $0\nu\beta\beta$ search with $^{100}$ Mo

Cet article présente un algorithme de filtrage numérique optimisé pour les détecteurs cryogéniques qui réduit significativement le bruit de fond induit par l'empilement dans les recherches de double désintégration bêta sans neutrino de 31 % par rapport aux méthodes précédentes, tout en maintenant une efficacité de signal élevée.

Auteurs originaux : V. Berest, M. Buchynska, P. Carniti, A. Giuliani, C. Gotti, H. Khalife, P. Loaiza, P. de Marcillac, C. Nones, M. Pageot, E. Olivieri, G. Pessina, D. V. Poda, J. A. Scarpaci, B. Schmidt, A. S. Zolotaro

Publié 2026-06-17

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : V. Berest, M. Buchynska, P. Carniti, A. Giuliani, C. Gotti, H. Khalife, P. Loaiza, P. de Marcillac, C. Nones, M. Pageot, E. Olivieri, G. Pessina, D. V. Poda, J. A. Scarpaci, B. Schmidt, A. S. Zolotarova

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

La vue d'ensemble : Écouter un chuchotement dans une tempête

Imaginez que vous essayez d'entendre un chuchotement spécifique et isolé (un événement nucléaire rare appelé désintégration double bêta sans neutrino) dans une pièce très bruyante. Le problème est que la pièce est remplie de gens qui parlent constamment (bruit de fond).

Pire encore, il arrive que deux personnes parlent presque exactement au même moment. Leurs voix se chevauchent, créant un son qui ressemble exactement au chuchotement spécial que vous recherchez. En physique, ce chevauchement est appelé « pile-up » (accumulation).

Si vous ne pouvez pas faire la différence entre le vrai chuchotement et le bavardage qui se chevauche, vous aurez de fausses alertes et votre expérience échouera. Cet article présente une nouvelle façon plus intelligente de filtrer ce bavardage chevauchant afin que les scientifiques puissent entendre le véritable signal.

Le problème : La confusion du « double claquement »

Les scientifiques utilisent un type spécial de détecteur fait de cristaux (plus précisément du Molybdène-100). Ces cristaux sont comme des microphones super sensibles qui chauffent légèrement lorsqu'une particule les frappe.

Le signal réel : Une particule frappe, créant un « sursaut » de chaleur propre et lisse.
Le pile-up : Deux particules frappent le cristal presque instantanément (en moins d'une milliseconde). Le détecteur voit un gros « sursaut » désordonné qui ressemble à un événement unique, mais qui est en réalité deux événements écrasés ensemble.

Parce que le « sursaut désordonné » ressemble tellement au « signal réel », les anciennes méthodes pour le filtrer n'étaient pas assez bonnes. Elles jetaient trop de signaux réels juste pour attraper quelques faux signaux.

La solution : Un « ingénieur du son » intelligent

Les auteurs ont créé un nouveau filtre numérique (un outil mathématique) qui agit comme un ingénieur du son super intelligent. Au lieu de simplement écouter le volume, cet ingénieur analyse la forme et la texture de l'onde sonore.

Voici comment leur nouvelle méthode fonctionne, en utilisant une analogie :

L'astuce des « deux filtres »
Imaginez que vous essayiez de distinguer un seul coup de tambour de deux coups de tambour qui se sont produits si rapidement qu'ils ont semblé n'en former qu'un.

Le Filtre A est réglé pour entendre la « fluidité » du son. Il adore le coup de tambour unique et propre.
Le Filtre B est réglé pour entendre la « rugosité » ou les bords tranchants qui se produisent lorsque deux coups se chevauchent.

Le nouvel algorithme ne se contente pas de regarder le résultat du Filtre A ou du Filtre B séparément. À la place, il prend le ratio (la comparaison) des deux.

Si le son est un coup unique, le ratio reste stable.
Si le son est un chevauchement désordonné, le ratio change radicalement.

En comparant constamment ces deux perspectives, l'algorithme peut repérer les événements de chevauchement « faux » avec une précision bien plus grande qu'auparavant.

Comment ils l'ont construit

Les scientifiques n'ont pas simplement deviné les réglages de ce filtre. Ils ont utilisé un ordinateur pour l'« entraîner », de la même manière que vous pourriez entraîner un chien.

Ils ont nourri l'ordinateur avec des milliers d'exemples de signaux réels et de signaux de chevauchement faux.
L'ordinateur a ajusté ses boutons internes (poids mathématiques) des millions de fois par seconde pour trouver le réglage parfait qui attrape le plus de faux signaux tout en laissant passer le plus de signaux réels.
Ils ont utilisé une technique puissante appelée descente de gradient (une méthode consistant à descendre lentement une colline pour trouver le point le plus bas) pour trouver les meilleurs réglages de filtre possibles.

Les résultats : Un signal plus clair

Lorsqu'ils ont testé ce nouveau filtre sur les données de l'expérience CROSS (une phase de test pour la future expérience CUPID) :

L'objectif : Ils voulaient conserver 90 % des signaux réels (efficacité).
La victoire : Avec le nouveau filtre, ils ont pu rejeter 31 % de plus de signaux de chevauchement faux par rapport à l'ancienne méthode.

Voyez cela ainsi : si l'ancienne méthode détectait 100 faux signaux, la nouvelle méthode en détecte 131, sans perdre les vrais chuchotements. C'est une amélioration majeure pour une expérience où chaque fausse alerte compte.

Pourquoi cela importe

L'article se concentre spécifiquement sur les détecteurs cryogéniques (des détecteurs qui doivent être maintenus proches du zéro absolu) recherchant la désintégration double bêta sans neutrino.

Les auteurs affirment que cette méthode est largement applicable à d'autres technologies de détection, mais leurs résultats et chiffres spécifiques concernent strictement l'amélioration de la recherche de cette désintégration nucléaire particulière utilisant des cristaux de molybdène.
Ils n'ont pas prétendu que cela fonctionne pour l'imagerie médicale ou d'autres domaines dans cet article ; l'accent est mis entièrement sur l'amélioration de la sensibilité des expériences de physique.

Résumé

L'article introduit une nouvelle « oreille » mathématique pour les scientifiques. En comparant deux façons différentes d'écouter un signal, ce nouvel outil peut repérer quand deux événements ont accidentellement fusionné en un seul. Cela leur permet d'ignorer le bruit et de se concentrer sur les signaux rares et précieux qui pourraient déverrouiller les secrets de l'univers, plus précisément concernant la nature des neutrinos.

Résumé Technique : Filtrage Optimisé pour le Rejet de l'Empilement par Forme d'Impulsion dans la Recherche de la $\nu\beta\beta$ avec le $^{100}$ Mo

Énoncé du Problème
Dans les recherches d'événements rares, telles que la recherche de la double désintégration bêta sans neutrino ( $0\nu\beta\beta$ ) utilisant des calorimètres cryogéniques, les événements d'empilement (pile-up) — où des signaux distincts se chevauchent temporellement — constituent un défi critique. Pour les détecteurs utilisant le $^{100}$ Mo, tels que l'expérience CUPID, la source de bruit de fond dominante devrait provenir de l'empilement d'événements de double désintégration bêta avec émission de deux neutrinos ( $2\nu\beta\beta$ ). Ces événements peuvent imiter le signal monoénergétique de la $0\nu\beta\beta$ à 3034 keV. Les améliorations matérielles existantes (par exemple, des capteurs plus rapides comme les TES ou les MMC) visent à réduire la durée des impulsions, mais un empilement résiduel reste inévitable dans les expériences à grande échelle. Les techniques d'analyse existantes, y compris le filtrage optimal standard et le rejet basé sur le $\chi^2$ , perdent leur pouvoir de discrimination lorsque la séparation temporelle entre les impulsions est plus courte que le temps de montée du signal (spécifiquement $\Delta t < 0,8$ ms pour les détecteurs étudiés). Cela nécessite des méthodes de discrimination logicielle avancées pour atténuer le bruit de fond sans sacrifier l'efficacité du signal.

Méthodologie
Les auteurs proposent un cadre pour dériver un filtre numérique optimisé pour la discrimination de l'empilement basé sur une description du signal dans le domaine fréquentiel. La méthode suppose :

Une réponse impulsionnelle $s(t)$ du détecteur entièrement connue et indépendante de l'énergie.
Un bruit gaussien stationnaire de moyenne nulle caractérisé par une densité spectrale de puissance (PSD) $P_N(\omega)$ .
Des événements d'empilement modélisés comme la somme de deux impulsions avec un rapport d'amplitude $r$ et une séparation temporelle $\Delta t$ .

Le cœur de la méthode consiste à construire un paramètre de discrimination $Y$ basé sur le rapport de deux estimateurs d'amplitude, $X[m_1]$ et $X[m_2]$ , dérivés du signal mesuré $\hat{x}(\omega)$ :
$Y = \frac{X[m_1]}{X[m_2]}$
où $X[m_i]$ est le maximum de la partie réelle de la transformée de Fourier inverse du signal filtré par une fonction de transfert $H(\omega)$ et une fonction de pondération $m_i(\omega)$ . Le filtre optimal standard $H(\omega)$ maximise le rapport signal sur bruit (SNR), tandis que les fonctions de pondération $m_1(\omega)$ et $m_2(\omega)$ sont les variables à optimiser.

L'objectif d'optimisation est de minimiser le taux de mauvaise identification global de l'empilement $\langle M \rangle$ , défini comme la probabilité qu'un événement d'empilement soit incorrectement classé comme une impulsion unique, sous la contrainte d'une efficacité d'acceptation d'impulsion unique $\epsilon$ fixée. Les auteurs utilisent PyTorch et la différenciation automatique pour effectuer une descente de gradient sur les fonctions de pondération $m_1(\omega)$ et $m_2(\omega)$ , en les traitant comme des paramètres entraînables discrétisés sur des intervalles de fréquence. La fonction de coût est évaluée sur une grille de séparations temporelles et de rapports d'amplitude, pondérée par les distributions attendues des événements $2\nu\beta\beta$ .

Contributions Clés

Cadre d'Optimisation : Développement d'un cadre général et quantitatif pour modéliser, identifier et rejeter les événements d'empilement dans les calorimètres cryogéniques à l'aide de filtres optimisés dans le domaine fréquentiel.
Discriminant Basé sur le Rapport : Implémentation d'un paramètre de discriminant basé sur un rapport, qui exploite la corrélation entre deux observables filtrées pour réduire la sensibilité aux fluctuations d'amplitude et améliorer le pouvoir de discrimination par rapport aux méthodes à amplitude unique.
Implémentation Computationnelle : Une implémentation Python modulaire utilisant PyTorch permettant une optimisation efficace des filtres via l'accélération GPU, capable de gérer de larges grilles de paramètres.
Validation Systématique : Une étude complète des incertitudes systématiques découlant de la sélection du modèle d'impulsion (template), de la taille de la fenêtre de traitement, de la position de l'impulsion et de la discrétisation de la grille.

Résultats
La méthode a été validée à l'aide de données de l'expérience CROSS, qui exploitait une tour de cristaux de $Li_2^{100}MoO_4$ scintillants couplés à des détecteurs de lumière (LD) avec amplification Neganov–Trofimov–Luke (NTL).

Amélioration des Performances : Comparée à une méthode de référence (précédemment présentée dans Eur. Phys. J. C 83(5), 373 (2023)), le nouveau filtre optimisé réduit l'indice de bruit de fond induit par l'empilement de 31 % en moyenne à 90 % d'efficacité d'impulsion unique.
Indice de Bruit de Fond : L'indice de bruit de fond résiduel moyen extrapolé en utilisant la nouvelle méthode est de $5,9 \times 10^{-5}$ cts/keV/kg/an (médiane : $5,7 \times 10^{-5}$ ), approchant l'objectif de conception de CUPID qui est de $5,0 \times 10^{-5}$ cts/keV/kg/an.
Caractéristiques du Filtre : Les filtres optimisés $m_1(\omega)$ et $m_2(\omega)$ présentent une pondération fréquentielle complémentaire. $m_1(\omega)$ montre une réponse croissante dans la plage 1–3 kHz pour amplifier les caractéristiques de haute fréquence essentielles pour résoudre l'empilement, tandis que $m_2(\omega)$ minimise le gain dans cette région pour accentuer la forme globale du signal.
Systématiques : L'étude a identifié que le choix du modèle d'impulsion impacte significativement les résultats (jusqu'à 13 % de variation de l'indice de bruit de fond). Les auteurs recommandent d'utiliser un modèle d'impulsion « moyenne » comme option conservatrice pour éviter les artefacts provenant des empreintes de bruit à haute fréquence dans les impulsions uniques de haute énergie.
Dépendance au Détecteur : Une étude préliminaire sur les points de fonctionnement des détecteurs (courant de polarisation) suggère que l'optimisation individuelle du point de fonctionnement peut encore améliorer le rejet de l'empilement, avec des variations de rejet du bruit de fond atteignant un facteur deux pour différents détecteurs.

Signification et Revendications
L'article affirme que le discriminant basé sur le rapport proposé capture les caractéristiques dominantes de l'empilement pertinentes pour les calorimètres cryogéniques ayant des réponses thermiques lentes. Il fournit un outil robuste et efficacement calculable pour optimiser les techniques d'analyse en l'absence de changements matériels. Les auteurs précisent que, bien que la méthode repose sur des hypothèses de bruit stationnaire et de formes d'impulsion, elle démontre une réduction du bruit de fond significative et robuste à travers divers détecteurs.

Ce travail se positionne comme un « levier logiciel » complémentaire aux développements matériels (tels que des capteurs plus rapides ou une meilleure couverture de l'amplification NTL). Les auteurs notent que l'extrapolation des résultats à l'expérience complète CUPID dépend de l'environnement de bruit, particulièrement dans l'ordre de grandeur de 1 kHz, et que les futures mises à niveau de l'infrastructure cryogénique de CUPID et des performances des détecteurs de lumière devraient apporter des améliorations supplémentaires. Le cadre est présenté comme largement applicable à diverses technologies de détecteurs et contextes expérimentaux au-delà de la recherche spécifique du $^{100}$ Mo.