WavePID: Low-energy flavor identification using single-PMT time series in IceCube

Résumé technique : WavePID : Identification de saveur à faible énergie utilisant les séries temporelles à un seul PMT dans IceCube

Énoncé du problème
L'observatoire de neutrinos IceCube repose sur la morphologie des événements pour distinguer les saveurs de neutrinos (traces vs cascades). Cependant, dans le régime de basse énergie (5–100 GeV), particulièrement au sein du sous-réseau DeepCore, les événements présentent souvent une détection de photons parcimonieuse (spécifiquement $10 \le n_{hit} < 20$). Dans ce régime, le motif lumineux fournit des contraintes faibles sur la morphologie de l'événement, limitant le pouvoir de séparation des réseaux de neurones sur graphes (GNN) de pointe comme DynEdge. Bien que les GNN utilisent les informations brutes par impulsion (position, temps, charge), ils normalisent les horodatages à la durée de l'événement à l'échelle de la microseconde, ce qui peut compresser la structure temporelle critique à l'échelle de la nanoseconde qui distingue les traces de muons des cascades électromagnétiques. L'article examine si l'information temporelle à l'échelle de la nanoseconde sur les modules optiques numériques (DOM) individuels porte une information d'identification de saveur complémentaire aux classificateurs basés sur la morphologie existants.

Méthodologie
Les auteurs introduisent WavePID, un classificateur compact basé sur des modèles de rapport de vraisemblance, conçu pour exploiter l'horodatage à l'échelle de la nanoseconde sur les DOM individuels. La méthodologie se déroule en trois étapes :

1. Motivation microphysique (Simulation Geant4) : En utilisant le cadre Geant4 et le modèle IceCube OMSim, les auteurs ont simulé les distributions de temps d'arrivée des photons (PATD) pour des muons et des électrons de 5–100 GeV dans la glace. Ils ont constaté que les traces de muons produisent un front de Cherenkov direct et net, résultant en une PATD à montée rapide dominée par l'émission de la particule primaire. À l'inverse, les cascades électromagnétiques (électrons) produisent de la lumière via des secondaires de Bremsstrahlung sur plusieurs nanosecondes, résultant en une PATD plus large. Cette différence est plus prononcée dans les $\sim10$ premières nanosecondes après l'arrivée du premier photon.
2. Construction des observables : WavePID opère sur les impulsions ATWD reconstruites de chaque DOM individuel. Pour chaque DOM $n$, il construit un vecteur de caractéristiques $\mathbf{x}_n$ comprenant trois observables motivées par la physique :
   • $r_n$ : la distance entre le DOM et le sommet de l'interaction reconstruite.
   • $\xi^t_n$ : la fraction de charge précoce, définie comme la fraction de la charge totale arrivant dans les $t$ premières nanosecondes (spécifiquement $t=14$ ns) après la première impulsion.
   • $\Delta t_n$ : le temps de la première impulsion sur le DOM par rapport à l'impulsion la plus précoce sur n'importe quel DOM de l'événement.
3. Algorithme de classification : L'espace des caractéristiques est discrétisé en bacs (bins) 3D. L'algorithme construit des modèles de forme uniquement (fonctions de masse de probabilité) pour les hypothèses "trace" et "cascade" en utilisant des simulations Monte Carlo (MC) étiquetées. La statistique de test (TS) est un rapport de log-vraisemblance par bac :
   $$TS_e = \log \frac{\mathcal{L}_{cascade}}{\mathcal{L}_{track}} = \sum_{i,j,k} H^e_{ijk} \log \frac{\lambda^{cascade}_{ijk}}{\lambda^{track}_{ijk}}$$
   où $H^e_{ijk}$ est l'occupation observée des DOM dans un bac spécifique pour l'événement $e$, et $\lambda$ représente les probabilités des modèles.

Résultats clés
La performance de WavePID a été évaluée sur des ensembles Monte Carlo d'IceCube DeepCore représentant les incertitudes dominantes du détecteur et du modèle de glace (31 variations systématiques). L'étude s'est concentrée sur un échantillon enrichi en cascades (sélectionné par un score DynEdge $\le 0,4$) avec des multiplicités d'impacts comprises entre 10 et 20.

• Amélioration de la performance : Dans le régime de faible nombre d'impacts ($10 \le n_{hit} < 20$), WavePID a atteint une aire sous la courbe (AUC) plus élevée de 0,571 par rapport à 0,542 pour DynEdge seul dans le même échantillon pré-sélectionné. Cela démontre que la structure temporelle précoce de l'impulsion encode une information de saveur non capturée par le GNN.
• Gain de pureté : L'application d'un seuil à la statistique de test de WavePID a augmenté la pureté des cascades. À un point de fonctionnement conservant 20 % des cascades, la pureté est passée d'une ligne de base de 0,66 (DynEdge seul) à 0,75. Ce gain de $+7\% \pm 1\%$ est resté stable à travers les 31 ensembles de systématiques du détecteur, indiquant une robustesse aux incertitudes concernant l'efficacité des DOM, la glace de trou (hole ice) et les propriétés optiques de la glace globale.
• Systématiques : Le pouvoir de séparation est resté stable à travers les variations des paramètres du détecteur, confirmant que le signal est piloté par des différences temporelles physiques plutôt que par des artefacts instrumentaux.

Signification et revendications
L'article affirme que WavePID démontre la viabilité de l'utilisation de l'horodatage à l'échelle de la nanoseconde d'un seul PMT comme une observable motivée par les premiers principes pour l'identification de la saveur dans les télescopes à neutrinos. Les auteurs soulignent qu'il s'agit, à leur connaissance, de la première utilisation explicite de l'horodatage à la nanoseconde d'un seul DOM pour l'identification de particules dans un télescope à neutrinos.

La signification réside dans la complémentarité de la méthode : WavePID ne remplace pas les classificateurs basés sur la morphologie mais ajoute une nouvelle dimension d'information. La discrimination est concentrée dans le régime où le front de Cherenkov de la particule de tête est résolu par l'horodatage par impulsion par DOM, une caractéristique que les classificateurs existants peuvent manquer en raison de la normalisation temporelle.

Les auteurs concluent que ces résultats motivent l'exploitation de l'horodatage fin par module dans les futurs classificateurs à basse énergie et dans la conception de télescopes à neutrinos de prochaine génération (tels qu'IceCube-Gen2, KM3NeT/ORCA, et d'autres) qui utilisent des modules optiques multi-PMT ou hybrides avec une résolution temporelle améliorée. L'article note que la configuration présentée est une implémentation de référence, et que le choix optimal des observables et du partitionnement dépend des cibles physiques spécifiques. L'application à des données réelles d'IceCube et la quantification de l'impact physique sont réservées à de futures études dédiées.