⚛️ high-energy experiments

Pushing the Limits of Pulse Shape Discrimination in a Large Liquid Xenon Detector

यह शोध पत्र लक्स-ज़ेपलिन (LZ) प्रयोग में पल्स शेप डिस्क्रिमिनेशनेशन (PSD) के लिए एक अनुकूलित विश्लेषण ढांचे को प्रस्तुत करता है जो, जब चार्ज-टू-लाइट मापों के साथ एक दो-कारक भेदभाव पद्धति में संयोजित किया जाता है, तो डार्क मैटर की खोज में इलेक्ट्रॉनिक रिकोइल बैकग्राउंड लीकेज और फॉल्स पॉजिटिव दरों को महत्वपूर्ण रूप से कम कर देता है।

मूल लेखक: D. S. Akerib, A. K. Al Musalhi, F. Alder, B. J. Almquist, C. S. Amarasinghe, A. Ames, T. J. Anderson, N. Angelides, H. M. Araújo, J. E. Armstrong, M. Arthurs, A. Baker, S. Balashov, J. Bang, J. W. BarD. S. Akerib, A. K. Al Musalhi, F. Alder, B. J. Almquist, C. S. Amarasinghe, A. Ames, T. J. Anderson, N. Angelides, H. M. Araújo, J. E. Armstrong, M. Arthurs, A. Baker, S. Balashov, J. Bang, J. W. Bargemann, E. E. Barillier, K. Beattie, A. Bhatti, T. P. Biesiadzinski, H. J. Birch, E. Bishop, G. M. Blockinger, C. A. J. Brew, P. Brás, S. Burdin, M. C. Carmona-Benitez, M. Carter, A. Chawla, H. Chen, Y. T. Chin, N. I. Chott, S. Contreras, M. V. Converse, R. Coronel, A. Cottle, G. Cox, D. Curran, C. E. Dahl, I. Darlington, S. Dave, A. David, J. Delgaudio, S. Dey, L. de Viveiros, L. Di Felice, C. Ding, J. E. Y. Dobson, E. Druszkiewicz, S. Dubey, C. L. Dunbar, S. R. Eriksen, N. M. Fearon, N. Fieldhouse, S. Fiorucci, H. Flaecher, E. D. Fraser, T. M. A. Fruth, P. W. Gaemers, R. J. Gaitskell, A. Geffre, J. Genovesi, C. Ghag, J. Ghamsari, A. Ghosh, S. Ghosh, R. Gibbons, S. Gokhale, J. Green, M. G. D. van der Grinten, J. J. Haiston, C. R. Hall, T. Hall, R. H. Hampp, S. J. Haselschwardt, M. A. Hernandez, S. A. Hertel, G. J. Homenides, M. Horn, D. Q. Huang, D. Hunt, E. Jacquet, R. S. James, K. Jenkins, A. C. Kaboth, A. C. Kamaha, M. K. Kannichankandy, D. Khaitan, A. Khazov, J. Kim, Y. D. Kim, D. Kodroff, E. V. Korolkova, H. Kraus, S. Kravitz, L. Kreczko, V. A. Kudryavtsev, C. Lawes, E. B. Leon, D. S. Leonard, K. T. Lesko, C. Levy, J. Lin, A. Lindote, W. H. Lippincott, J. Long, M. I. Lopes, W. Lorenzon, C. Lu, S. Luitz, W. Ma, V. Mahajan, P. A. Majewski, A. Manalaysay, R. L. Mannino, R. J. Matheson, C. Maupin, M. E. McCarthy, D. N. McKinsey, J. McLaughlin, J. B. McLaughlin, R. McMonigle, B. Mitra, E. Mizrachi, M. E. Monzani, K. Morå, E. Morrison, B. J. Mount, M. Murdy, A. St. J. Murphy, H. N. Nelson, F. Neves, A. Nguyen, C. L. O'Brien, F. H. O'Shea, I. Olcina, K. C. Oliver-Mallory, J. Orpwood, K. Y. Oyulmaz, K. J. Palladino, N. J. Pannifer, S. J. Patton, B. Penning, G. Pereira, E. Perry, T. Pershing, A. Piepke, S. S. Poudel, Y. Qie, J. Reichenbacher, C. A. Rhyne, G. R. C. Rischbieter, E. Ritchey, H. S. Riyat, R. Rosero, N. J. Rowe, T. Rushton, D. Rynders, S. Saltão, D. Santone, A. B. M. R. Sazzad, R. W. Schnee, G. Sehr, B. Shafer, S. Shaw, W. Sherman, K. Shi, T. Shutt, C. Silva, G. Sinev, J. Siniscalco, A. M. Slivar, A. M. Softley-Brown, V. N. Solovov, P. Sorensen, J. Soria, T. J. Sumner, A. Swain, M. Szydagis, D. R. Tiedt, D. R. Tovey, J. Tranter, M. Trask, K. Trengove, M. Tripathi, A. Usón, A. C. Vaitkus, O. Valentino, V. Velan, A. Wang, J. J. Wang, Y. Wang, L. Weeldreyer, T. J. Whitis, K. Wild, M. Williams, J. Winnicki, L. Wolf, F. L. H. Wolfs, S. Woodford, D. Woodward, C. J. Wright, Q. Xia, J. Xu, Y. Xu, M. Yeh, D. Yeum, J. Young, W. Zha, H. Zhang, T. Zhang, Y. Zhou

प्रकाशित 2026-03-31

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: D. S. Akerib, A. K. Al Musalhi, F. Alder, B. J. Almquist, C. S. Amarasinghe, A. Ames, T. J. Anderson, N. Angelides, H. M. Araújo, J. E. Armstrong, M. Arthurs, A. Baker, S. Balashov, J. Bang, J. W. Bargemann, E. E. Barillier, K. Beattie, A. Bhatti, T. P. Biesiadzinski, H. J. Birch, E. Bishop, G. M. Blockinger, C. A. J. Brew, P. Brás, S. Burdin, M. C. Carmona-Benitez, M. Carter, A. Chawla, H. Chen, Y. T. Chin, N. I. Chott, S. Contreras, M. V. Converse, R. Coronel, A. Cottle, G. Cox, D. Curran, C. E. Dahl, I. Darlington, S. Dave, A. David, J. Delgaudio, S. Dey, L. de Viveiros, L. Di Felice, C. Ding, J. E. Y. Dobson, E. Druszkiewicz, S. Dubey, C. L. Dunbar, S. R. Eriksen, N. M. Fearon, N. Fieldhouse, S. Fiorucci, H. Flaecher, E. D. Fraser, T. M. A. Fruth, P. W. Gaemers, R. J. Gaitskell, A. Geffre, J. Genovesi, C. Ghag, J. Ghamsari, A. Ghosh, S. Ghosh, R. Gibbons, S. Gokhale, J. Green, M. G. D. van der Grinten, J. J. Haiston, C. R. Hall, T. Hall, R. H. Hampp, S. J. Haselschwardt, M. A. Hernandez, S. A. Hertel, G. J. Homenides, M. Horn, D. Q. Huang, D. Hunt, E. Jacquet, R. S. James, K. Jenkins, A. C. Kaboth, A. C. Kamaha, M. K. Kannichankandy, D. Khaitan, A. Khazov, J. Kim, Y. D. Kim, D. Kodroff, E. V. Korolkova, H. Kraus, S. Kravitz, L. Kreczko, V. A. Kudryavtsev, C. Lawes, E. B. Leon, D. S. Leonard, K. T. Lesko, C. Levy, J. Lin, A. Lindote, W. H. Lippincott, J. Long, M. I. Lopes, W. Lorenzon, C. Lu, S. Luitz, W. Ma, V. Mahajan, P. A. Majewski, A. Manalaysay, R. L. Mannino, R. J. Matheson, C. Maupin, M. E. McCarthy, D. N. McKinsey, J. McLaughlin, J. B. McLaughlin, R. McMonigle, B. Mitra, E. Mizrachi, M. E. Monzani, K. Morå, E. Morrison, B. J. Mount, M. Murdy, A. St. J. Murphy, H. N. Nelson, F. Neves, A. Nguyen, C. L. O'Brien, F. H. O'Shea, I. Olcina, K. C. Oliver-Mallory, J. Orpwood, K. Y. Oyulmaz, K. J. Palladino, N. J. Pannifer, S. J. Patton, B. Penning, G. Pereira, E. Perry, T. Pershing, A. Piepke, S. S. Poudel, Y. Qie, J. Reichenbacher, C. A. Rhyne, G. R. C. Rischbieter, E. Ritchey, H. S. Riyat, R. Rosero, N. J. Rowe, T. Rushton, D. Rynders, S. Saltão, D. Santone, A. B. M. R. Sazzad, R. W. Schnee, G. Sehr, B. Shafer, S. Shaw, W. Sherman, K. Shi, T. Shutt, C. Silva, G. Sinev, J. Siniscalco, A. M. Slivar, A. M. Softley-Brown, V. N. Solovov, P. Sorensen, J. Soria, T. J. Sumner, A. Swain, M. Szydagis, D. R. Tiedt, D. R. Tovey, J. Tranter, M. Trask, K. Trengove, M. Tripathi, A. Usón, A. C. Vaitkus, O. Valentino, V. Velan, A. Wang, J. J. Wang, Y. Wang, L. Weeldreyer, T. J. Whitis, K. Wild, M. Williams, J. Winnicki, L. Wolf, F. L. H. Wolfs, S. Woodford, D. Woodward, C. J. Wright, Q. Xia, J. Xu, Y. Xu, M. Yeh, D. Yeum, J. Young, W. Zha, H. Zhang, T. Zhang, Y. Zhou

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप हज़ारों लोगों के बीच हो रही बातचीत, खांसने और पैरों की आहट के शोर भरे कमरे में एक विशिष्ट, अकेली फुसफुसाहट को खोजने की कोशिश कर रहे हैं। वास्तव में LUX-ZEPLIN (LZ) प्रयोग यही करने की कोशिश कर रहा है।

वह "फुसफुसाहट" एक WIMP (वीकली इंटरैक्टिंग मैसिव पार्टिकल) है, जो एक काल्पनिक भूत जैसे कण की तरह है और डार्क मैटर (Dark Matter) का हिस्सा है। "शोर" चट्टानों, पाइपों और यहाँ तक कि डिटेक्टर के आसपास की हवा से आने वाला बैकग्राउंड रेडिएशन है।

यह शोध पत्र इस बारे में है कि कैसे LZ टीम ने एक नया, अत्यंत सटीक कान बनाया है ताकि वे उस फुसफुसाहट को अधिक स्पष्ट रूप से सुन सकें। वे इसे पल्स शेप डिस्क्रिमिनेशन (PSD) कहते हैं।

यह कहानी है कि उन्होंने इसे कैसे किया, जिसे सरल भाषा में समझाया गया है:

1. परिवेश: एक खदान में स्थित एक विशाल मछली का टैंक

LZ डिटेक्टर लिक्विड जेनॉन (liquid xenon) से भरा एक विशाल टैंक है, जो दक्षिण डकोटा की एक खदान में 4,850 फीट नीचे स्थित है। इसे कॉस्मिक किरणों को रोकने के लिए पानी और चट्टानों द्वारा सुरक्षित किया गया है।

जब कोई कण जेनॉन से टकराता है, तो वह प्रकाश की एक छोटी सी चमक (जैसे जुगनू का चमकना) और एक छोटा सा विद्युत आवेश (electrical charge) पैदा करता है।

अच्छा सिग्नल (WIMP): यदि एक WIMP जेनॉन के न्यूक्लियस (परमाणु का भारी केंद्र) से टकराता है, तो यह एक विशिष्ट प्रकार की चमक पैदा करता है।
बुरा शोर (Background): यदि एक गामा रे या इलेक्ट्रॉन (सामान्य बैकग्राउंड शोर) जेनान के इलेक्ट्रॉन से टकराता है, तो यह थोड़ी अलग तरह की चमक पैदा करता है।

2. पुराना तरीका: चमक बनाम आवेश को मापना

लंबे समय से, वैज्ञानिक चार्ज-टू-लाइट (Charge-to-Light) नामक विधि का उपयोग करते आए हैं।

उपमा: कल्पना कीजिए कि आप एक दौड़ का निर्णय ले रहे हैं। आप दो धावकों को देखते हैं। एक लंबा और पतला है (WIMP), और दूसरा छोटा और चौड़ा (बैकग्राउंड शोर)। आप उन्हें उनके ऊँचाई-से-चौड़ाई के अनुपात से पहचान सकते हैं।
समस्या: कभी-कभी, बैकग्राउंड शोर WIMP दिखने की कोशिश करता है। वह गार्ड से बच निकलने के लिए पर्याप्त "लंबा और पतला" बन जाता है। टीम को इन छलावे करने वालों को पकड़ने के लिए एक बेहतर तरीके की आवश्यकता थी।

3. नया तरीका: चमक के "आकार" को सुनना

यहीं पर पल्स शेप डिस्क्रिमिनेशन (PSD) काम आता है।

केवल यह मापने के बजाय कि कितनी रोशनी है, टीम ने यह मापना शुरू किया कि समय के साथ रोशनी कैसे व्यवहार करती है।

उपमा: कल्पना कीजिए कि दो लोग ताली बजा रहे हैं।
- व्यक्ति A (WIMP/न्यूक्लियर रिकोइल): एक बार, तेज और तीखी ताली बजाता है। क्लैप! यह जल्दी खत्म हो जाता है।
- व्यक्ति B (बैकग्राउंड/इलेक्ट्रॉन रिकोइल): ताली बजाता है, लेकिन उनका हाथ थोड़ा रुकता है, या उनकी ताली में एक हल्की गूँज आती है। क्लैप... (फिज़ल)...

लिक्विड जेनॉन में, "WIMP" वाली चमक "बैकग्राउंड" वाली चमक की तुलना में थोड़ी तेज़ और अधिक तीखी होती है। यह अंतर बहुत सूक्ष्म है—जैसे कि एक मिलीसेकंड और कुछ नैनोसेकंड के बीच का अंतर—लेकिन यह मौजूद है।

4. चुनौती: कमरे में "गूँज"

समस्या यह है कि डिटेक्टर बहुत बड़ा है। रोशनी दीवारों, तरल की सतह और कांच से टकराकर वापस आती है। यह एक कैथेड्रल (गिरजाघर) में चिल्लाने जैसा है; आवाज़ चारों ओर गूँजती है, जिससे यह बताना मुश्किल हो जाता है कि मूल चिल्लाहट वास्तव में कब हुई थी।

इसे ठीक करने के लिए, टीम ने एक अत्यंत सटीक टाइमिंग सिस्टम बनाया:

N-फोटॉन मॉडल: उन्होंने कच्चे डेटा (raw data) को देखने और यह कहने के लिए एक गणितीय युक्ति विकसित की कि, "ठीक है, स्क्रीन पर दिखने वाला वह बड़ा झटका एक बड़ी चमक नहीं थी; बल्कि यह वास्तव में तीन छोटे फोटॉन थे जो थोड़े अलग समय पर पहुँचे।"
मैप (मानचित्र): उन्होंने मानचित्रित किया कि टैंक के निचले हिस्से से ऊपरी हिस्से तक प्रकाश यात्रा करने में कितना समय लगता है, और हर इंच की गहराई के लिए सुधार किया। यह बिल्कुल वैसा ही है जैसे यह जानना कि कैथेड्रल के हर कोने में ध्वनि कितनी देर में गूँजती है, ताकि आप गूँज को अनदेखा कर सकें और मूल आवाज़ को सुन सकें।

5. परिणाम: एक टू-फैक्टर सुरक्षा जांच

एक बार जब उन्होंने चमक के "आकार" में महारत हासिल कर ली, तो उन्होंने पुराने "आकार" वाले तरीके (Charge-to-Light) को एक टू-फैक्टर डिस्क्रिमिनेटर (TFD) बनाने के लिए जोड़ा।

उपमा: एक उच्च-सुरक्षा वाले बैंक वॉल्ट के बारे में सोचें।
- पुराना तरीका: आप बस अपना आईडी कार्ड दिखाते हैं (Charge-to-Light)। कभी-कभी, एक चतुर जालसाज एक ऐसा नकली आईडी बना सकता है जो काफी हद तक असली जैसा दिखता है।
- नया तरीका (TFD): अब, आपको अपना आईडी दिखाना होगा और आपको एक त्वरित गणितीय पहेली हल करनी होगी (Pulse Shape)। भले ही एक जालसाज के पास नकली आईडी हो, फिर भी वह पहेली को हल नहीं कर पाएगा।

6. यह क्यों महत्वपूर्ण है

यह शोध पत्र दिखाता है कि यह नई विधि अविश्वसनीय रूप से प्रभावी है:

छलावे करने वालों को पकड़ना: इसने उन बैकग्राउंड "शोर" घटनाओं की संख्या को लगभग आधे तक कम कर दिया जो WIMPs की तरह दिखते हैं।
"डबल इलेक्ट्रॉन कैप्चर" की समस्या: एक विशिष्ट प्रकार का रेडियोधर्मी क्षय (Xenon-124 से) बहुत पेचीदा है क्योंकि यह पुराने सिस्टम में WIMPs की नकल करता है। नया PSD तरीका एक विशेष फ़िल्टर की तरह काम करता है जो इन विशिष्ट छलावे करने वालों को पकड़ लेता है, जिन्हें पुराना सिस्टम छोड़ देता था।
भविष्य: यह सिद्ध करता है कि LZ जैसे विशाल डिटेक्टर में भी, हम ब्रह्मांड के सबसे अंधेरे रहस्यों को खोजने के लिए प्रकाश के "आकार" को सुन सकते हैं।

सारांश

LZ टीम ने केवल एक बड़ा जाल नहीं बनाया; उन्होंने एक स्मार्ट जाल बनाया। प्रकाश की चमक के लय और आकार को सुनकर, वे अब बहुत अधिक विश्वास के साथ डार्क मैटर के वास्तविक सिग्नल और बैकग्राउंड शोर के बीच अंतर कर सकते हैं। यह शोर भरे कमरे में केवल वॉल्यूम बढ़ाकर फुसफुसाहट सुनने की कोशिश करने से, अंततः उन नॉइज़-कैंसलिंग हेडफ़ोन को लगाने जैसा है जो जानते हैं कि वह फुसफुसाहट कैसी सुनाई देती है।

यहाँ LZ सहयोग द्वारा लिखित शोध पत्र "Pushing the Limits of Pulse Shape Discrimination in a Large Liquid Xenon Detector" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या का विवरण (Problem Statement)

LUX-ZEPLIN (LZ) जैसे प्रत्यक्ष डार्क मैटर डिटेक्शन प्रयोगों में प्राथमिक चुनौती विकली इंटरैक्टिंग मैसिव पार्टिकल्स (WIMP) संकेतों को बैकग्राउंड घटनाओं से अलग करना है।

बैकग्राउंड स्रोत: प्रमुख बैकग्राउंड इलेक्ट्रॉनिक रिकोइल्स (ER) हैं, जो डिटेक्टर सामग्रियों में अवशिष्ट रेडियोधर्मिता के कारण गामा और बीटा विकिरण से उत्पन्न होते हैं। WIMPs के न्यूक्लियर रिकोल्स (NR) उत्पन्न करने की अपेक्षा की जाती है।
वर्तमान सीमाएँ: लिक्विड जेनन (LXe) में मानक भेदभाव विधि चार्ज-टू-लाइट (CTL) भेदभाव (आयोनाइजेशन S2 और स्किंटिलेशन S1 का अनुपात) है। हालांकि यह प्रभावी है, लेकिन सिग्नल स्वीकृति को बढ़ाने और विशेष रूप से $^{124}$ Xe डबल इलेक्ट्रॉन कैप्चर (DEC) जैसे विशिष्ट बैकग्राउंड के लिए लीकेज को कम करने हेतु और सुधार की आवश्यकता है, जिसका चार्ज यील्ड कम होता है और जो NR बैंड में लीक हो सकता है।
LXe में चुनौती: पल्स शेप डिस्क्रिमिनेशन (PSD) लिक्विड आर्गन में अत्यधिक प्रभावी है क्योंकि वहां सिंगलेट और ट्रिपलेट लाइफटाइम के बीच बड़ा अंतर होता है। LXe में, लाइफटाइम का अंतर बहुत कम है ( $\tau_1 \approx 2\text{--}4$ ns बनाम $\tau_3 \approx 21\text{--}28$ ns), जिससे PSD करना काफी कठिन हो जाता है और इसके लिए उच्च-परिशुद्धता वाले फोटॉन टाइमिंग पुनर्निर्माण (reconstruction) की आवश्यकता होती है।

2. कार्यप्रणाली (Methodology)

यह शोध पत्र कैलिब्रेशन डेटा और NEST (नोबल एलिमेंट सिमुलेशन तकनीक) सिमुलेशन का उपयोग करके LZ डिटेक्टर में PSD को अनुकूलित करने के लिए एक व्यापक रूपरेखा प्रस्तुत करता है।

A. फोटॉन टाइमिंग पुनर्निर्माण (Photon Timing Reconstruction)

LXe में छोटे लाइफटाइम अंतरों से निपटने के लिए, लेखकों ने एक उच्च-परिशुद्धता विश्लेषण ढांचा विकसित किया है:

सापेक्ष टाइमिंग कैलिब्रेशन (Relative Timing Calibration): 494 PMTs के बीच चैनल-दर-चैनल टाइमिंग ऑफसेट्स को LED कैलिब्रेशन डेटा का उपयोग करके सुधारा गया, जिससे 1 ns से बेहतर सटीकता प्राप्त हुई।
N-फोटॉन मॉडल: एक सांख्यिकीय मॉडल विकसित किया गया जो ओवरलैपिंग वेवफॉर्म्स से व्यक्तिगत फोटॉन आगमन समय को पुनर्गठित करता है। यह वेवफॉर्म्स को $N$ $N$ सिंगल फोटोइलेक्ट्रॉन (SPE) टेम्प्लेट्स के योग के रूप में फिट करता है।
- मॉडल वेवफॉर्म में फोटॉनों की सबसे संभावित संख्या ( $N$ ) निर्धारित करने के लिए बेयस प्रमेय (Bayes' Theorem) का उपयोग करता है (आमतौर पर $N \le 3$ )।
- यह डबल फोटोइलेक्ट्रॉन (DPE) प्रभावों को ध्यान में रखता है और उन मामलों को खारिज करता है जहाँ दो पुनर्गठित फोटॉन 1 ns से कम के अंतराल पर होते हैं, ताकि पूर्वाग्रह (bias) से बचा जा सके।

B. डिस्क्रिमिनेटर अनुकूलन (Discriminator Optimization)

प्रॉम्ट फ्रैक्शन (Prompt Fraction - PF): डिस्क्रिमिनेटर को एक प्रॉम्ट टाइम विंडो ( $t_0$ $t_{0}$ से $t_1$ $t_{1}$ ) में पता लगाए गए फोटॉनों के अनुपात के रूप में परिभाषित किया गया है:
- $PF = \frac{\sum_{t_0}^{t_1} S1(t)}{\sum_{t_2}^{t_3} S1(t)}$
अनुकूलन (Optimization): CH $_3$ T (ER) और DD (NR) कैलिब्रेशन डेटा का उपयोग करके, $t_0$ और $t_1$ मापदंडों को रस्टर स्कैन और उसके बाद कोवेरिएंस मैट्रिक्स अडैप्टेशन इवोल्यूशन स्ट्रेटेजी (CMA-ES) एल्गोरिदम का उपयोग करके अनुकूलित किया गया। लक्ष्य 50% NR स्वीकृति बनाए रखते हुए ER लीकेज को न्यूनतम करना था।
पोजीशन करेक्शन ( $z$ -करेक्शन): प्रकाश प्रसार पथों के कारण फोटॉन ट्रांजिट समय इंटरेक्शन ऊंचाई ( $z$ ) के साथ बदल जाता है। फिडुशियल वॉल्यूम में CH $_3$ T डेटा से एक रैखिक सुधार $\Delta PF(z)$ निकाला गया ताकि समान भेदभाव प्रदर्शन सुनिश्चित किया जा सके।

C. टू-फैक्टर डिस्क्रिमिनेशन (Two-Factor Discrimination - TFD)

रिजेक्शन पावर को अधिकतम करने के लिए, PSD को मानक CTL विधि के साथ मिलाकर एक टू-फैक्टर डिस्क्रिमिनेटर (TFD) बनाया गया:

सूत्र: $TFD = -1 \times CTL + w(S1_c) \times PF_{cor}$
वेटिंग (Weighting): भार $w(S1_c)$ को ER और NR वितरणों के बीच अलगाव (Z-score) को अधिकतम करने के लिए सुधारा गया S1 चार्ज ( $S1_c$ ) के एक रैखिक फलन के रूप में अनुकूलित किया गया था।

D. सिमुलेशन और सत्यापन (Simulation and Validation)

NEST ट्यूनिंग: NEST सिमुलेशन फ्रेमवर्क को LZ कैलिब्रेशन डेटा के अनुरूप ट्यून किया गया, विशेष रूप से रिकॉम्बिनेशन टाइम कांस्टेंट ( $\tau_r$ ) और फोटॉन ट्रांजिट मॉडल को समायोजित किया गया।
बैकग्राउंड अध्ययन: ट्यून किए गए NEST मॉडल का उपयोग $^{124}$ Xe DEC घटनाओं को सिम्युलेट करने के लिए किया गया ताकि इस विशिष्ट बैकग्राउंड पर PSD के प्रदर्शन का मूल्यांकन किया जा सके।

3. मुख्य परिणाम (Key Results)

A. PSD प्रदर्शन

ER लीकेज: 20 से 80 फोटोइलेक्ट्रॉन (phd) के S1 पल्स के लिए, अनुकूलित PSD 50% NR स्वीकृति पर 15% से 35% का ER लीकेज प्राप्त करता है।
सिग्नल आकार पर निर्भरता: फोटॉनों की संख्या बढ़ने के साथ लीकेज कम हो जाता है। 70–80 phd बिन के लिए, ER लीकेज 14.4 ± 1.0% है।
NEST तुलना: NEST सिमुलेशन थोड़े कम लीकेज की भविष्यवाणी करते हैं, जो पुष्टि करता है कि सिग्नल प्रोसेसिंग अनिश्चितताएं (जो NEST में शामिल नहीं हैं) देखे गए लीकेज में योगदान देती हैं।

B. विशिष्ट बैकग्राउंड रिजेक्शन ( $^{124}$ Xe DEC)

$^{124}$ $^{124}$ Xe डबल इलेक्ट्रॉन कैप्चर डिके के लिए, जो कम चार्ज यील्ड के कारण अकेले CTL से खारिज करना कठिन है:
- 70 phd से नीचे, PSD अकेले CTL की तुलना में सीमित सुधार प्रदान करता है।
- 95 phd से ऊपर, PSD, CTL से बेहतर प्रदर्शन करता है, जो भविष्य के उच्च-संवेदनशीलता वाले रन के लिए इस बैकग्राउंड को दबाने हेतु एक महत्वपूर्ण हैंडल प्रदान करता है।

C. टू-फैक्टर डिस्क्रिमिनेशन (TFD)

CTL और PSD को मिलाने से अलगाव में महत्वपूर्ण सुधार होता है।
फॉल्स पॉजिटिव रेट में कमी: TFD विधि CTL की तुलना में फॉल्स पॉजिटिव रेट (ER लीकेज) को दो गुना तक कम कर देती है, विशेष रूप से बड़े S1 पल्स (70–80 phd) के लिए।
Z-score सुधार: ER और NR मीडियंस (ER चौड़ाई द्वारा सामान्यीकृत) के बीच का अलगाव 70–80 phd बिन में ~3.65 $\sigma$ (CTL) से बढ़कर ~3.83 $\sigma$ (TFD) हो गया।

D. WS2024 डेटा पर अनुप्रयोग

WIMP सर्च (WS2024) डेटासेट (329 रेडॉन-टैग्ड इवेंट्स) पर लागू किया गया:
- PSD: वे सभी 4 इवेंट्स जो CTL NR बैंड के भीतर थे, उन्हें PSD द्वारा ER इवेंट के रूप में वर्गीकृत किया गया (PSD NR स्वीकृति क्षेत्र से बाहर)।
- TFD: TFD का उपयोग करने पर, NR बैंड में घटनाओं की संख्या CTL द्वारा उपयोग किए गए 4 के मुकाबले घटकर 2 रह गई।
- ये परिणाम WIMP डिटेक्शन के लिए LZ के नल रिजल्ट (null result) के अनुरूप हैं।

4. महत्व और प्रभाव (Significance and Impact)

बड़े डिटेक्टरों में व्यवहार्यता: यह कार्य प्रदर्शित करता है कि PSD एक शक्तिशाली उपकरण है, भले ही फोटॉन सांख्यिकी और टाइमिंग रेजोल्यूशन चुनौतीपूर्ण हों।
पूरक उपकरण (Complementary Tool): PSD एक स्वतंत्र भेदभाव आयाम प्रदान करता है जो CTL के लंबवत (orthogonal) है, जो चार्ज यील्ड मॉडलिंग में व्यवस्थित अनिश्चितताओं के विरुद्ध मजबूती प्रदान करता है।
भविष्य के डिटेक्टर: LZ में PSD की सफलता यह सुझाव देती है कि यह अगली पीढ़ी के डिटेक्टरों (जैसे LZ अपग्रेड या भविष्य के मल्टी-टन प्रयोगों) के लिए एक महत्वपूर्ण घटक होगा।
बैकग्राउंड दमन: PSD का उपयोग करके $^{124}$ Xe DEC जैसे विशिष्ट बैकग्राउंड को दबाने की क्षमता डार्क मैटर खोजओं की संवेदनशीलता को "न्यूट्रिनो फॉग" (neutrino fog) तक धकेलने के लिए अत्यंत महत्वपूर्ण है।

निष्कर्षतः, यह शोध पत्र LZ में फोटॉन टाइमिंग और पल्स शेप विश्लेषण के लिए एक कठोर रूपरेखा स्थापित करता है, यह सिद्ध करते हुए कि पारंपरिक चार्ज-टू-लाइट भेदभाव के साथ PSD को जोड़ना बैकग्राउंड रिजेक्शन क्षमताओं को महत्वपूर्ण रूप से बढ़ाता है।