Trigger Optimization and Event Classification for Dark Matter Searches in the CYGNO Experiment Using Machine Learning

Il documento presenta due approcci basati sul machine learning per l'ottimizzazione del trigger e la classificazione degli eventi nell'esperimento CYGNO: un metodo non supervisionato per la riduzione dei dati online che identifica anomalie tramite autoencoder e un'applicazione debolmente supervisionata del framework CWoLa per distinguere le topologie di rinculo nucleare, entrambi validati su dati reali con elevate prestazioni di efficienza e riduzione del volume dati.

L'essenziale

Immagina che l'esperimento CYGNO sia come un enorme e super sensibile "occhio" digitale (una telecamera gigante) che guarda dentro un serbatoio di gas speciale. Il suo compito è catturare un evento rarissimo: l'urto di una particella misteriosa chiamata Materia Oscura contro un atomo di gas.

Il problema è che questo "occhio" vede tutto, e il "tutto" è un caos di rumore. È come se cercassi di trovare un singolo granello di sabbia d'oro in un secchio pieno di sabbia grigia, mentre la telecamera scatta foto ogni secondo. Se salvassimo tutte le foto intere, il computer impazzirebbe per la quantità di dati.

Gli scienziati hanno usato due trucchi di Intelligenza Artificiale (Machine Learning) per risolvere questo problema. Ecco come funzionano, con delle analogie semplici:

1. Il "Filtro Magico" che ignora il rumore (Riduzione dei Dati)

Immagina che la telecamera scatti foto anche quando non c'è nessuno nella stanza. Queste foto mostrano solo il "rumore" della telecamera stessa (polvere, difetti del sensore, elettricità statica). Chiamiamo queste foto "Foto Vuote".

• Il Trucco: Hanno insegnato a un'intelligenza artificiale (un "Autoencoder") a guardare milioni di queste "Foto Vuote" e a memorizzare perfettamente come appare il rumore di fondo. È come se l'AI imparasse a memoria la texture di un muro bianco sporco.
• L'Applicazione: Quando arriva una foto vera (con una possibile particella), l'AI prova a "ricostruirla" basandosi su quello che ha imparato dal rumore.
  • Se la foto è solo rumore, l'AI la ricostruisce perfettamente.
  • Se c'è una particella, l'AI si confonde: "Ehi, questo punto qui non c'è nelle mie foto vuote! Non riesco a ricostruirlo!"
• Il Risultato: L'AI crea una mappa delle "zone di confusione". Invece di salvare l'intera foto gigante (che è enorme), salva solo quel piccolo quadrato dove c'è la "confusione" (la particella).
  • In pratica: Hanno imparato a buttare via il 97,8% dell'immagine (il rumore inutile) tenendo però il 93% dell'informazione utile. È come se, invece di salvare un intero libro di 1000 pagine, salvassero solo le 20 righe dove c'è scritto il messaggio importante, risparmiando tempo e spazio.

2. Il "Detective" che impara senza etichette (Classificazione)

Ora, supponiamo di aver trovato le zone interessanti. Dobbiamo capire: è una particella di Materia Oscura (o qualcosa di simile, come un neutrone) o è solo un elettrone che passa di lì (rumore di fondo)?
Il problema è che non abbiamo un manuale con scritto "Questa è una Materia Oscura" e "Questa no". Non abbiamo le "etichette".

• Il Trucco (CWoLa): Hanno usato un esperimento con una fonte di neutroni (come un "finto" segnale di materia oscura) mescolato a dati normali. Immagina di avere due sacchetti di marmo:
  • Sacchetto A: Contiene 32% di marmi rossi (segnali veri) e 68% di marmi bianchi (rumore).
  • Sacchetto B: Contiene 100% di marmi bianchi (solo rumore).
  • L'AI non sa quali marmi sono rossi e quali bianchi. Sa solo che il Sacchetto A ha un po' di rossi in più.
• L'Applicazione: L'AI guarda le forme dei marmi in entrambi i sacchetti e cerca di capire: "Qual è la differenza tra il Sacchetto A e il Sacchetto B?".
  • Se l'AI impara a distinguere i due sacchetti, significa che ha imparato a riconoscere la "firma" dei marmi rossi (i segnali rari) senza che nessuno gliel'abbia mai detto esplicitamente.
• Il Risultato: L'AI ha imparato a isolare le particelle che hanno una forma "tonda e compatta" (tipica dei segnali rari) da quelle allungate o strane (rumore). Ha raggiunto quasi il limite massimo teorico di precisione possibile con quei dati.

In sintesi

Questo lavoro è come aver dato a due assistenti robotici un compito impossibile:

1. Il primo (Filtro) guarda un fiume in piena e impara a filtrare l'acqua per tenere solo i pesci, buttando via 97 litri d'acqua per ogni litro di pesce salvato, e lo fa velocissimo (in 25 millesimi di secondo).
2. Il secondo (Detective) guarda un mucchio di sassi misti e, senza sapere quale sia il diamante, impara a separare quelli che potrebbero essere diamanti basandosi solo sulle differenze tra due mucchi diversi.

Questi due strumenti permetteranno all'esperimento CYGNO di cercare la Materia Oscura in modo molto più veloce ed efficiente, aprendo la strada a futuri esperimenti ancora più grandi e potenti.

Sommario tecnico

Titolo: Ottimizzazione del Trigger e Classificazione degli Eventi per le Ricerche di Materia Oscura nell'Esperimento CYGNO tramite Machine Learning

1. Il Problema

L'esperimento CYGNO utilizza una Camera a Proiezione Temporale (TPC) con lettura ottica per cercare interazioni rare a bassa energia (nell'ordine di 1–100 keV), tipiche della materia oscura. La sfida principale risiede nella gestione dei dati generati:

• Volume dei dati: Ogni esposizione produce immagini di dimensioni "megapixel" (fino a 1024x1024 o più), ma il segnale fisico occupa una frazione minima di pixel.
• Throughput: Con l'avvento del dimostratore CYGNO-04, l'uso di più telecamere ad alta risoluzione a pochi Hz genererebbe un throughput di dati sostenuto dell'ordine di $O(10^2)$ MB/s se venissero salvate le immagini complete.
• Limitazioni attuali: Le pipeline di ricostruzione offline offrono un'alta fedeltà ma hanno latenze dell'ordine dei secondi, rendendole inadatte per l'uso a livello di trigger (tempo reale).
• Mancanza di etichette: È difficile ottenere etichette a livello di singolo evento per distinguere i rinculi nucleari (NR, segnale di materia oscura) dai rinculi elettronici (ER, fondo), specialmente durante le fasi di calibrazione.

L'obiettivo è sviluppare strategie di Machine Learning (ML) con supervisione minima per: (i) ridurre i dati online identificando rapidamente le Regioni di Interesse (ROI) e (ii) discriminare i segnali di rinculo nucleare senza etichette precise.

2. Metodologia

Gli autori presentano due approcci complementari basati sul Deep Learning:

A. Estrazione Unsupervised delle ROI tramite Autoencoder (Anomaly Detection)

• Concetto: Utilizzo di un Autoencoder Convoluzionale (AE) addestrato esclusivamente su dati di "pedestal" (immagini acquisite con l'amplificazione GEM disabilitata, contenenti solo rumore del rivelatore).
• Funzionamento: L'AE impara a ricostruire la morfologia del rumore. Quando viene presentata un'immagine standard con un segnale fisico, l'AE fallisce nella ricostruzione locale di quelle strutture, generando residui di ricostruzione elevati.
• Elaborazione:
  • Mappa di anomalia definita come residuo pixel-per-pixel: $r(x) = |x - \hat{x}|$.
  • Addestramento con una funzione di perdita ibrida (MSE + SSIM).
  • Le mappe di residuo vengono convertite in ROI binarie tramite soglie globali e operazioni morfologiche (chiusura) per collegare i frammenti lungo le tracce.
• Vantaggio: Non richiede dati etichettati con segnali fisici; sfrutta la disponibilità di dati di rumore puro.

B. Identificazione dei Rinculi Nucleari tramite CWoLa (Classification Without Labels)

• Concetto: Applicazione del framework Classification Without Labels (CWoLa) su campioni misti.
• Dati: Utilizzo di una sorgente di neutroni Americio-Berillio (AmBe).
  • Dataset AmBe: Contiene un mix di segnali (rincoli nucleari da neutroni + fondo elettronico da raggi gamma associati).
  • Dataset Standard (STD): Solo fondo (senza sorgente).
• Addestramento: Una rete neurale convoluzionale (CNN) viene addestrata a distinguere le due distribuzioni miste (AmBe vs STD) utilizzando solo etichette a livello di campione, non di singolo evento. Teoricamente, questo permette alla rete di apprendere il discriminatore ottimale tra segnale e fondo.
• Limiti Teorici: La frazione di segnale nel mix AmBe ($\alpha$) impone un limite teorico all'Area Under the Curve (AUC) massima raggiungibile: $AUC_{max} = 0.5 + \alpha/2$.

3. Risultati Chiave

Per l'Estrazione delle ROI (Autoencoder):

• Efficienza di Segnale: La configurazione migliore mantiene il $(93.0 \pm 0.2)\%$ dell'intensità del segnale ricostruito.
• Compressione: Elimina il $(97.8 \pm 0.1)\%$ dell'area dell'immagine, riducendo drasticamente i dati da processare.
• Latenza: Il tempo di inferenza è di circa 25 ms per frame su una GPU consumer, rendendo la strategia fattibile per l'online triggering.
• Stabilità: Le prestazioni si trovano su un "plateau" ampio rispetto alle variazioni della soglia, indicando robustezza.

Per la Classificazione CWoLa:

• Frazione di Segnale: L'analisi dei dati ha determinato una frazione di segnale attribuibile nel mix AmBe di $\alpha = (32.0 \pm 0.9)\%$.
• Limite Teorico: Questo impone un tetto teorico all'AUC di $0.660 \pm 0.005$.
• Prestazioni: Il classificatore raggiunge prestazioni vicine a questo limite teorico.
• Selezione: Applicando una soglia conservativa ($p > 0.8$), vengono selezionati eventi con morfologie compatte e approssimativamente circolari, coerenti con i rincoli nucleari attesi, localizzati nella regione ad alta densità energetica del piano energia-densità.

4. Contributi Principali

1. Strategia di Riduzione Dati Unsupervised: Dimostrazione che un autoencoder addestrato solo sul rumore può essere utilizzato per comprimere efficacemente immagini megapixel sparse, isolando il segnale fisico senza bisogno di dati etichettati.
2. Applicazione di CWoLa in Fisica delle Particelle: Validazione dell'uso di CWoLa per l'estrazione di topologie di rincoli nucleari in un esperimento reale, superando la mancanza di etichette a livello di evento.
3. Scalabilità: Fornisce una baseline realistica per la gestione dei dati nel futuro dimostratore CYGNO-04, permettendo di salvare solo le ROI rilevanti invece di interi frame.

5. Significato e Impatto

Questi risultati supportano un percorso verso la selezione online scalabile per le prossime generazioni di TPC ottici come CYGNO.

• Efficienza Operativa: La riduzione del 97.8% dell'area delle immagini risolve il collo di bottiglia del throughput dei dati, permettendo di mantenere l'alta granularità della lettura ottica senza sovraccaricare i sistemi di acquisizione.
• Metodologia Generale: Le strategie sviluppate (anomaly detection su rumore e apprendimento debole su campioni misti) sono trasferibili ad altre ricerche di materia oscura e esperimenti di fisica delle rare interazioni dove l'etichettatura dei dati è costosa o impossibile.
• Validazione Sperimentale: I risultati confermano che è possibile estrarre informazioni fisiche significative (come la topologia dei rincoli nucleari) direttamente dai dati grezzi o parzialmente etichettati, avvicinandosi ai limiti teorici imposti dalla statistica del campione.

In sintesi, il lavoro dimostra come l'integrazione di tecniche avanzate di Machine Learning possa abilitare l'operatività in tempo reale di rivelatori complessi e ad alta risoluzione, cruciale per la futura scoperta della materia oscura.