⚛️ high-energy experiments

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

यह अध्ययन प्रदर्शित करता है कि विशेष रूप से गामा-किरण डेटा पर प्रशिक्षित पल्स शेप डिस्क्रिमिनेशन क्लासिफायर, हाई-प्योरिटी जर्मेनियम डिटेक्टरों में अल्फा घटनाओं की प्रभावी ढंग से पहचान और उन्हें अस्वीकार कर सकते हैं, जो LEGEND जैसे अगली पीढ़ी के न्यूट्रिनोलेस डबल बीटा क्षय खोजों के लिए एक मजबूत बैकग्राउंड सप्रेशन रणनीति प्रदान करते हैं जहाँ समर्पित अल्फा ट्रेनिंग डेटा अपर्याप्त है।

मूल लेखक: Alex Biondi, Krzysztof Szczepaniec, Tomasz Mróz, Marcin Misiaszek, Grzegorz Zuzel

प्रकाशित 2026-05-14

📖 4 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Alex Biondi, Krzysztof Szczepaniec, Tomasz Mróz, Marcin Misiaszek, Grzegorz Zuzel

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 एक बहुत ही शोर भरे कमरे में एक एकल, पूर्ण फुसफुसाहट (whisper) को सुनने की कोशिश कर रहे हैं। यह अनिवार्य रूप से वही है जो वैज्ञानिक करते हैं जब वे "न्यूट्रिनोलेस डबल बीटा डिके" (neutrinoless double beta decay) नामक एक दुर्लभ घटना की तलाश करते हैं। वे इस फुसफुसाहट को पकड़ने के लिए शुद्ध जर्मेनियम क्रिस्टल (डिटेक्टर्स) से बने अविश्वसनीय रूप से संवेदनशील माइक्रोफोन का उपयोग करते हैं।

हालाँकि, कमरा अन्य आवाजों से भरा हुआ है:

"खराब" शोर (The "Bad" Noise): कभी-कभी, गामा किरणें (विकिरण का एक प्रकार) रुकने से पहले कमरे में कई बार इधर-उधर उछलती हैं। यह कमरे के विभिन्न कोनों में लोगों के ताली बजाने जैसा है। वैज्ञानिक इन आवाजों को अनदेखा करना चाहते हैं।
"घुसपैठिया" शोर (The "Intruder" Noise): कभी-कभी, अल्फा कण (छोटे, भारी रेडियोधर्मी कण) सीधे माइक्रोफोन की सतह पर लैंड करते हैं। यह माइक्रोफोन पर सीधे उंगली से थपथपाने जैसा है। वे एक ऐसी ध्वनि पैदा करते हैं जो उस "फुसफुसाहट" के बहुत समान दिखती है जिसकी तलाश वैज्ञानिक कर रहे हैं, जिससे उन्हें यह सोचने के लिए धोखा मिल सकता है कि उन्होंने कुछ ढूंढ लिया है जबकि वास्तव में ऐसा नहीं है।

समस्या

आमतौर पर, कंप्यूटर को "खराब शोर" (गामा किरणों) को अनदेखा करना सिखाने के लिए, वैज्ञानिक उसे उन ध्वनियों के हजारों उदाहरण दिखाते हैं। लेकिन "घुसपैठिया शोर" (अल्फा कणों) के लिए, एक पेंच है: वास्तविक प्रयोगों में, ये घुसपैठिए इतने दुर्लभ होते हैं कि कंप्यूटर को यह सिखाने के लिए पर्याप्त उदाहरण नहीं मिलते कि वे कैसे दिखते हैं।

बड़ा सवाल जो यह शोध पत्र पूछता है: क्या हम कंप्यूटर को केवल "खराब शोर" (गामा किरणों) दिखाकर यह सिखा सकते हैं कि "घुसपैठिए" को कैसे पहचाना जाए, बिना किसी वास्तविक "घुसपैठिए" को दिखाए?

प्रयोग

शोधकर्ताओं ने एक उच्च-तकनीकी जर्मेनियम डिटेक्टर (एक "BEGe" प्रकार का) सेट किया और दो चीजें कीं:

प्रशिक्षण (Training): उन्होंने डिटेक्टर पर गामा किरणों की बमबारी की (थोरियम स्रोत का उपयोग करके) ताकि दो अलग-अलग कंप्यूटर प्रोग्रामों (एक "मल्टीलेयर पर्सेप्ट्रॉन" और एक "प्रोजेक्टिव लाइकलीहुड" क्लासिफायर) को एक एकल उछाल (अच्छा) और कई उछालों (खराब) के बीच अंतर करना सिखाया जा सके।
परीक्षण (Testing): इसके बाद उन्होंने पोलोनियम का एक स्रोत (एक अल्फा उत्सर्जक) सीधे डिटेक्टर की सतह पर रखा। इसने डिटेक्टर पर हजारों "घुसपैठिया" घटनाएं पैदा कीं। उन्होंने कंप्यूटर से पूछा: "हे, तुमने गामा किरणों से सीखा है। क्या अब तुम इन अल्फा कणों को पहचान सकते हो और उन्हें खारिज कर सकते हो?"

परिणाम

कंप्यूटर प्रोग्राम आश्चर्यजनक रूप से अच्छे थे।

"स्मार्ट" फ़िल्टर: सबसे अच्छा तरीका, एक प्रकार का आर्टिफिशियल न्यूरल नेटवर्क (जिसे मल्टीलेयर पर्सेप्ट्रॉन या MLP कहा जाता है), एक सुपर-स्मार्ट बाउंसर की तरह काम करता है।
अच्छे को बनाए रखना: इसने 80% से अधिक "फुसफुसाहटों" (सिंगल-साइट गामा इवेंट्स जो उनके वांछित सिग्नल की तरह दिखते हैं) को सुरक्षित रखा।
खराब को हटाना: इसने 80% से अधिक "ताली बजाने" (मल्टी-साइट गामा इवेंट्स) को बाहर कर दिया।
घुसपैठियों को बाहर निकालना: सबसे महत्वपूर्ण बात यह है कि इसने अल्फा कणों को अविश्वसनीय दक्षता के साथ खारिज कर दिया। इसने एक अल्फा कण के फिसलने के लिए प्रत्येक एक के मुकाबले 27,000 से अधिक अल्फा कणों को फ़िल्टर कर दिया।

उपमा (The Analogy)

डिटेक्टर को एक सुरक्षा कैमरे के रूप में सोचें।

गामा किरणें दरवाजे से गुजरने वाले लोगों की तरह हैं; कभी एक व्यक्ति गुजरता है (अच्छा), तो कभी लोगों का एक समूह एक साथ गुजरता है (खराब)। कैमरा समूहों को पहचानने में सीख जाता है।
अल्फा कण दरवाजे के ठीक बगल में खिड़की से चढ़ने की कोशिश करने वाले व्यक्ति की तरह हैं।
शोध पत्र दिखाता है कि दरवाजे पर "समूहों" को पहचानने में सीखकर, कैमरे ने खिड़की पर "चढ़ने वाले" को भी पहचान लिया, भले ही प्रशिक्षण के दौरान उसने कभी किसी चढ़ने वाले को नहीं देखा था।

निष्कर्ष

यह शोध पत्र निष्कर्ष निकालता है कि आपको अपने डिटेक्टर को "घुसपैठिए" को खारिज करना सिखाने के लिए दुर्लभ "घुसपैठिए" के विशाल संग्रह की आवश्यकता नहीं है। केवल अधिक सामान्य "खराब शोर" (गामा किरणों) पर प्रशिक्षित करके, मशीन लर्निंग एल्गोरिदम स्वाभाविक रूप से "घुसपैठियों" (अल्फा कणों) को भी पहचान लेते हैं।

भविष्य के प्रयोगों (जैसे कि उल्लेखित LEGEND प्रोजेक्ट) के लिए यह एक बड़ी जीत है क्योंकि इसका मतलब है कि वे अपने सॉफ़्टवेयर को प्रशिक्षित करने के लिए पर्याप्त दुर्लभ अल्फा घटनाओं को एकत्र करने के लिए वर्षों तक प्रतीक्षा किए बिना, स्वच्छ और अधिक संवेदनशील डिटेक्टर बना सकते हैं। यह "स्मार्ट फ़िल्टर" उपलब्ध डेटा का उपयोग करके, बिना किसी अतिरिक्त प्रयास के, तुरंत काम करता है।

तकनीकी सारांश: BEGe-प्रकार के HPGe डिटेक्टरों में $\alpha$ घटना अस्वीकृति के लिए पल्स शेप डिस्क्रिमिनेशन (Pulse Shape Discrimination)

समस्या विवरण
उच्च शुद्धता वाले जर्मेनियम (HPGe) डिटेक्टर दुर्लभ-घटनाओं की खोज, विशेष रूप से $^{76}\text{Ge}$ (जैसे, LEGEND प्रयोग) में न्यूट्रिनोलेस डबल बीटा क्षय ( $0\nu\beta\beta$ ) की खोज के लिए केंद्रीय भूमिका निभाते हैं। हालांकि ये डिटेक्टर उत्कृष्ट ऊर्जा रिज़ॉल्यूशन और अंतर्निहित शुद्धता प्रदान करते हैं, फिर भी वे बैकग्राउंड घटनाओं के प्रति संवेदनशील बने रहते हैं। एक विशिष्ट चुनौती सतह संदूषकों जैसे कि $^{210}\text{Po}$ और $^{226}\text{Ra}$ द्वारा उत्सर्जित $\alpha$ कणों की अस्वीकृति है। यदि ये उत्सर्जक डिटेक्टर के पतले $p^+$ संपर्क पर स्थित हैं, तो $\alpha$ कण सक्रिय आयतन (active volume) के भीतर अपनी ऊर्जा का एक अंश जमा कर सकते हैं, जिससे ऐसे सिग्नल उत्पन्न होते हैं जो $Q_{\beta\beta}$ के 2039 keV के आसपास के रीजन ऑफ इंटरेस्ट (ROI) की नकल कर सकते हैं।

मानक पल्स शेप डिस्क्रिमिनेशन (PSD) तकनीकें सिंगल-साइट इवेंट्स (SSEs, सिग्नल-समान) को मल्टी-साइट इवेंट्स (MSEs, बैकग्राउंड-समान $\gamma$ किरणें) से अलग करने में प्रभावी हैं। हालांकि, $\alpha$ घटनाएं भी आमतौर पर SSE-समान होती हैं, जिससे उन्हें मानक $\gamma$ -आधारित PSD कट्स का उपयोग करके पहचानना कठिन हो जाता है। इसके अलावा, कम-बैकग्राउंड वाले प्रयोगों में, प्रयोग के पूरे जीवनकाल में देखे गए $\alpha$ घटनाओं की कुल संख्या अक्सर समर्पित $\alpha$ क्लासिफायर को प्रशिक्षित करने के लिए बहुत कम होती है। मुख्य समस्या यह है कि क्या केवल $\gamma$ -रे डेटा (SSE बनाम MSE) पर प्रशिक्षित किया गया एक PSD क्लासिफायर, बिना किसी समर्पित $\alpha$ प्रशिक्षण डेटा की आवश्यकता के, $\alpha$ घटनाओं को प्रभावी ढंग से पहचानने और अस्वीकार करने में सक्षम है।

कार्यप्रणाली (Methodology)
इस अध्ययन में एक पॉइंट-कॉन्टैक्ट ब्रॉड एनर्जी जर्मेनियम (BEGe) डिटेक्टर का उपयोग किया गया। सतह पर दो माप अभियान आयोजित किए गए:

लो-सांख्यिकी (LS): $^{209}\text{Po}$ स्रोत ( $\sim$ 0.1 Bq) का उपयोग करते हुए, जिससे $\sim 1.36 \times 10^5$ $\alpha$ घटनाएं प्राप्त हुईं।
हाई-सांख्यिकी (HS): $^{210}\text{Po}$ स्रोत ( $\sim$ 1 Bq) का उपयोग करते हुए, जिससे $\sim 1.87 \times 10^6$ $\alpha$ घटनाएं प्राप्त हुईं।

दोनों अभियानों में, डिटेक्टर के $p^+$ संपर्क पर सीधे पोलोनियम जमा करने वाले गोल्ड फॉयल को रखा गया था ताकि सतह संदूषण का अनुकरण किया जा सके। क्लासिफायर के प्रशिक्षण के लिए $^{228}\text{Th}$ कैलिब्रेशन रन से डेटा लिया गया था।

दो मशीन लर्निंग (ML) दृष्टिकोणों की जांच की गई:

प्रोजेक्टिव लाइकलीहुड (PLK): एक नैव बेयसियन क्लासिफायर जो इनपुट फीचर्स के बीच सांख्यिकीय स्वतंत्रता (statistical independence) को मानता है।
मल्टीलेयर पर्सेप्ट्रॉन (MLP): एक फीड-फॉरवर्ड आर्टिफिशियल न्यूरल नेटवर्क जिसमें छह डेंस लेयर्स (आयाम: 64-32-16-8-4-1) हैं, जिसमें हिडन लेयर्स के लिए ReLU एक्टिवेशन और आउटपुट के लिए सिग्मॉइड का उपयोग किया गया है।

इनपुट फीचर्स और प्रशिक्षण:

इनपुट में कच्चे वेवफॉर्म (raw waveform) के राइजिंग एज से 64 बिंदु शामिल थे (करंट मैक्सिमम से पहले 32 सैंपल, 1 वर्तमान में, और बाद में 31 सैंपल)।
ट्रेनिंग डेटासेट्स को $^{228}\text{Th}$ कैलिब्रेशन रन से बनाया गया था, जिसमें SSE (डबल एस्केप पीक्स, कॉम्पटन एज) और MSE (सिंगल एस्केप पीक्स, फुल एनर्जी पीक्स, मल्टी-कॉम्पटन स्कैटरिंग) वर्गों को परिभाषित करने के लिए विशिष्ट ऊर्जा क्षेत्रों का चयन किया गया था।
छह अलग-अलग प्रशिक्षण विन्यास (TC1–TC6) का परीक्षण किया गया, जो SSE और MSE परिभाषाओं के लिए उपयोग किए जाने वाले विशिष्ट पीक्स को बदलते हैं।
एक पारंपरिक A/E (एम्प्लीट्यूड/एनर्जी) क्लासिफायर का उपयोग बेंचमार्क के रूप में किया गया था।

मुख्य परिणाम
क्लासिफायर्स का मूल्यांकन तीन मेट्रिक्स के आधार पर किया गया था: SSE सर्वाइवल (सिग्नल एफिशिएंसी), MSE रिजेक्शन (बैकग्राउंड सप्रेशन), और $\alpha$ -रिजेक्शन फैक्टर।

$\gamma$ बैकग्राउंड पर प्रदर्शन: दोनों ML विधियों ने SSE और MSE घटनाओं को सफलतापूर्वक अलग किया। डबल एस्केप पीक्स (DEP) पर प्रशिक्षित विन्यास, कॉम्पटन एज (CE) पर प्रशिक्षित विनिताओं की तुलना में बेहतर प्रदर्शन करते रहे। MLP ने SSE सर्वाइवल फ्रैक्शन $>80\%$ और MSE सर्वाइवल फ्रैक्शन $<20\%$ प्राप्त किया, जो GERDA और LEGEND के पिछले परिणामों के अनुरूप या उनसे बेहतर है।
$\alpha$ रिजेक्शन पर प्रदर्शन: महत्वपूर्ण रूप से, केवल $\gamma$ $γ$ डेटा पर प्रशिक्षित क्लासिफायर्स ने $\alpha$ $α$ घटनाओं को अस्वीकार करने में मजबूत क्षमता प्रदर्शित की।
- MLP: समग्र रूप से सर्वश्रेष्ठ प्रदर्शन प्राप्त किया। HS रन (TC2 विन्यास) के लिए, इसने उच्च सिग्नल एफिशिएंसी बनाए रखते हुए $\alpha$ -रिजेक्शन फैक्टर $> 2.71 \times 10^4$ (90% कॉन्फिडेंस लेवल पर) दिया।
- PLK: प्रभावी भी था, हालांकि रिजेक्शन फैक्टर की निचली सीमा के मामले में यह MLP की तुलना में थोड़ा कम प्रदर्शन करने वाला था।
- A/E: पारंपरिक A/E विधि ने काफी कमजोर $\alpha$ रिजेक्शन दिखाया (फैक्टर $\sim 54$ ), जिसमें स्पेक्ट्रा में अवशिष्ट (residual) $\alpha$ पीक्स दिखाई दे रहे थे।
वेवफॉर्म विश्लेषण: अध्ययन में देखा गया कि $\alpha$ घटनाएं आमतौर पर सिग्नल बैंड की तुलना में कम MLP स्कोर पर क्लस्टर होती हैं। हालांकि, $\alpha$ घटनाओं का एक द्वितीयक क्लस्टर (कुल का लगभग 1%) सिग्नल बैंड के करीब दिखाई दिया, जो संभवतः संपर्क के किनारों के पास होने वाली घटनाओं के कारण है। इसके बावजूद, इष्टतम कट (optimal cut) ने फिगर ऑफ मेरिट (FoM) को अधिकतम करते हुए अधिकांश $\alpha$ घटनाओं को दबा दिया।

महत्व और दावे
यह शोध पत्र दावा करता है कि HPGe डिटेक्टरों के लिए मजबूत पल्स शेप डिस्क्रिमिनेशन केवल $\gamma$ घटनाओं से प्राप्त प्रशिक्षण जानकारी का उपयोग करके प्राप्त किया जा सकता है। यह निष्कर्ष महत्वपूर्ण है क्योंकि यह अगली पीढ़ी के $0\nu\beta\beta$ प्रयोगों (जैसे LEGEND) के लिए एक व्यावहारिक रणनीति प्रदान करता है जहाँ समर्पित $\alpha$ प्रशिक्षण डेटा उपलब्ध नहीं होता है।

लेखक निष्कर्ष निकालते हैं कि:

$\alpha$ रिजेक्शन के लिए अलग, समर्पित क्लासिफायर विकसित करना आवश्यक नहीं है।
एक एकल PSD कट, जो $\gamma$ डेटा पर अनुकूलित (optimized) है, मल्टी-साइट $\gamma$ बैकग्राउंड और सतह $\alpha$ बैकग्राउंड दोनों को उच्च दक्षता के साथ एक साथ दबा सकता है।
इस दोहरे उद्देश्य वाली अस्वीकृति के लिए MLP दृष्टिकोण, PLK और पारंपरिक A/E विधि दोनों की तुलना में श्रेष्ठ है।

अध्ययन सीमाओं को स्वीकार करता है, जिनमें सतह-स्तर की माप की स्थितियाँ (उच्च मयून बैकग्राउंड) और दो अभियानों के बीच विशिष्ट डिटेक्टर कॉन्फ़िगरेशन (JFET प्रतिस्थापन) शामिल हैं। लेखक सुझाव देते हैं कि भूमिगत (underground) प्रयोग को दोहराने से बैकग्राउंड और कम हो जाएगा, जिससे संभावित रूप से $10^5$ के क्रम में $\alpha$ -रिजेक्शन फैक्टर प्राप्त किया जा सकेगा।

समस्या

प्रयोग

परिणाम

उपमा (The Analogy)

निष्कर्ष

इसी तरह के और पेपर