CUORE Data Release for ML Applications: Pulse Shape Analysis Dataset

Résumé Technique : Publication des données CUORE pour les applications d'apprentissage automatique (ML)

Énoncé du problème
L'expérience CUORE (Cryogenic Underground Observatory for Rare Events) recherche la désintégration double bêta sans neutrinos ($0\nu\beta\beta$) du $^{130}\text{Te}$. Une source de bruit de fond significative dans cette recherche provient des événements de « pile-up » (empilement), où deux ou plusieurs interactions de particules distinctes déposent de l'énergie au cours de la même fenêtre de 10 secondes d'un cristal calorimètre unique. Ces événements de pile-up peuvent imiter la signature énergétique d'un événement à particule unique ou déformer le bruit de fond à proximité du pic de désintégration attendu ($Q_{\beta\beta}$). Bien que la collaboration ait établi des méthodes basées sur la physique pour identifier ces événements, il existe une demande croissante pour des ensembles de données scientifiques ouverts afin de développer et de tester des algorithmes d'intelligence artificielle (IA) et d'apprentissage automatique (ML) pour l'analyse de la forme des impulsions et la classification dans la calorimétrie cryogénique.

Méthodologie et construction de l'ensemble de données
Cet article présente un ensemble de données curatées dérivées des données de calibration de CUORE, spécifiquement conçues pour soutenir les approches d'apprentissage supervisé pour la classification des impulsions. L'ensemble de données traite le problème de classification binaire consistant à distinguer entre :

• Classe 0 (Impulsions propres / Clean Pulses) : Événements à impulsion unique présentant la forme d'impulsion thermique standard dans une fenêtre de 10 secondes.
• Classe 1 (Impulsions de pile-up / Pile-up Pulses) : Événements contenant deux impulsions ou plus dans la même fenêtre, qui peuvent être séparées dans le temps et présenter des amplitudes variables.

Spécifications des données :

• Source : 988 calorimètres à cristaux de $\text{TeO}_2$ fonctionnant à $\sim10$ mK.
• Format : Fichiers HDF5 contenant 10 000 événements au total (5 000 propres, 5 000 de pile-up).
• Structure de la forme d'onde : Chaque événement est un tableau de séries temporelles unidimensionnel de longueur 10 000, échantillonné à 1 kHz. La fenêtre est définie de telle sorte que le milieu de l'élévation de l'impulsion déclenchée se situe près de l'indice 3000, fournissant $\sim3$ secondes de ligne de base pré-déclenchement.
• Étiquetage : Les étiquettes sont dérivées du nombre d'impulsions signalées ($n_{\text{pulses}}$) et de l'erreur de reconstruction normalisée ($n_{\text{rei}}$) issue de la coupure de discrimination de la forme d'impulsion de la collaboration CUORE (2 tonne$\cdot$an). Une étiquette de 0 est attribuée si $n_{\text{pulses}}=1$ et $|n_{\text{rei}}| < 10$ ; une étiquette de 1 est attribuée si $n_{\text{pulses}} > 1$ et $|n_{\text{rei}}| > 10$.
• Normalisation : Pour faciliter le prétraitement par l'IA/ML, chaque événement inclut des métadonnées pour la normalisation : un décalage (moyenne des 2 500 premiers échantillons), une valeur maximale et un facteur d'échelle. L'article fournit des scripts Python démontrant comment construire des formes d'impulsion normalisées $\tilde{p}_i(t)$ et les tronquer dans une plage $[0, 1]$.

Contributions clés

1. Publication de l'ensemble de données : La collaboration a publié un sous-ensemble de ses données via Zenodo (DOI: 10.5281/zenodo.20721645) au format HDF5, divisé en un ensemble d'entraînement de 90 % et un ensemble de test de 10 %.
2. Évaluation standardisée : L'article propose un défi spécifique de classification d'impulsions. Les participants sont invités à soumettre des prédictions sur l'ensemble de test mis de côté (où les étiquettes sont dissimulées) pour être évalués sur :
   • L'aire sous la courbe ROC (AUC-ROC).
   • La précision de classification (Accuracy).
   • Le taux de faux positifs (FPR) à un taux de vrais positifs (TPR) fixe de 90 %, une métrique pertinente pour les analyses de physique nécessitant un contrôle de l'efficacité du signal.
3. Reproductibilité : Les auteurs fournissent des exemples Python minimaux utilisant h5py et numpy pour charger, normaliser et formater les données pour les entrées de réseaux neuronaux Conv1D.

Résultats et affirmations
L'article ne présente pas les résultats d'un modèle d'apprentissage automatique spécifique entraîné par les auteurs, et ne revendique pas de nouveau record de précision de classification. Au lieu de cela, les « résultats » présentés sont la curation et la publication réussies de l'ensemble de données lui-même. Les auteurs affirment que cette publication sert de « excellente ressource » pour la communauté de l'IA/ML en combinant des données cryogéniques de haute qualité sous forme de séries temporelles avec des étiquettes basées sur la physique bien comprises.

Signification
La signification de ce travail réside dans sa facilitation de la science ouverte et l'avancement des techniques d'analyse pour les recherches d'événements rares. En fournissant un ensemble de données standardisé avec des étiquettes binaires claires (propre vs pile-up), la collaboration CUORE permet de tester et de développer des algorithmes d'apprentissage supervisé pour l'analyse de la forme des impulsions. Cela soutient l'objectif plus large d'améliorer le rejet du bruit de fond dans les recherches de désintégration $0\nu\beta\beta$ et d'autres applications impliquant des calorimètres cryogéniques. Les auteurs demandent explicitement aux utilisateurs de citer les résultats physiques pertinents de CUORE (Réf. [4]) ainsi que cet article arXiv spécifique dans toute publication résultant de l'utilisation de ces données.