Suppression of $^{14}\mathrm{C}$ photon hits in large liquid scintillator detectors via spatiotemporal deep learning

Questo lavoro propone tre modelli di deep learning basati su reti neurali a grafo e Transformer per identificare e sopprimere i segnali di decadimento del $^{14}$C nei rivelatori a scintillatore liquido, migliorando significativamente la risoluzione energetica degli eventi di positrone anche in presenza di sovrapposizioni temporali e spaziali.

L'essenziale

🌊 Il Problema: La "Foglia d'Autunno" nel Vaso d'Acqua

Immagina di avere un enorme vaso d'acqua cristallina (il rivelatore di scintillatore liquido) che serve a catturare un messaggio molto speciale: un positrone (una particella di antimateria) che arriva dallo spazio profondo. Questo messaggio è come una goccia d'acqua pura e luminosa che cade nel vaso, creando un piccolo splash perfetto.

Tuttavia, c'è un problema. All'interno dell'acqua stessa, ci sono minuscole impurità naturali chiamate Carbonio-14. Anche se sono pochissime, queste impurità fanno un rumore di fondo continuo: ogni tanto, emettono una piccola bolla di gas o una scintilla minuscola.

Quando il nostro "messaggio speciale" (il positrone) arriva, queste scintille di Carbonio-14 si mescolano al segnale. È come se mentre qualcuno ti sussurra una frase importante all'orecchio, qualcuno vicino stesse schioccando le dita o tossendo in modo casuale.

• Se le scintille arrivano molto prima o molto dopo, le ignoriamo facilmente.
• Ma se arrivano esattamente nello stesso momento (un "pile-up" o sovrapposizione), il nostro cervello (o il computer) non riesce a distinguere la voce dal rumore. Il risultato? Il messaggio arriva confuso e la misura della sua "voce" (l'energia) è sbagliata.

🧠 La Soluzione: Tre "Detective" Intelligenti

Gli scienziati di questo studio (che lavorano su un esperimento gigante chiamato JUNO in Cina) hanno detto: "Non possiamo fermare le scintille di Carbonio, ma possiamo insegnare al computer a riconoscerle e cancellarle prima che rovinino il calcolo."

Hanno creato tre diversi tipi di Detective Artificiali (modelli di Intelligenza Artificiale) per guardare ogni singola scintilla (chiamata "hit") e decidere: "Sei tu il messaggio importante? Sei un rumore di fondo? O sei una scintilla di Carbonio che dobbiamo eliminare?"

Ecco i tre detective:

1. Il Detective "Vicinato" (Gated-STGNN):

   • Come funziona: Immagina di guardare una folla. Questo detective non guarda solo una persona, ma guarda chi sta intorno a lei. Se una scintilla appare vicino a un'altra scintilla in un modo che sembra "naturale" per il Carbonio, la segna. È come se dicesse: "Ehi, tu e il tuo vicino vi comportate come un gruppo di Carbonio, non come il segnale principale".
   • Punto di forza: È veloce e molto bravo a vedere i piccoli gruppi vicini.

2. Il Detective "Osservatore Globale" (STT-Scalar):

   • Come funziona: Questo detective ha una vista d'insieme. Guarda tutte le scintille della stanza contemporaneamente, come se fosse un uccello che vola alto. Usa un meccanismo chiamato "Attention" (Attenzione) per capire quale scintilla è importante rispetto alle altre.
   • Punto di forza: È molto preciso nel vedere il quadro generale, ma è un po' più lento perché deve analizzare tutto.

3. Il Detective "Super-Osservatore" (STT-Vector):

   • Come funziona: È la versione potenziata del detective precedente. Non guarda solo la scintilla singola, ma guarda anche quanto è forte il gruppo di scintille intorno ad essa in un dato momento. Immagina che invece di guardare solo un punto, guardi un'onda di pressione.
   • Punto di forza: È il migliore di tutti. Riesce a capire le sfumature più sottili, come la densità delle scintille, e riesce a separare il segnale dal rumore meglio degli altri due.

🎯 I Risultati: Pulire il Messaggio

Hanno fatto delle prove con un computer simulato. Ecco cosa è successo:

• La sfida: Quando il Carbonio-14 e il Positrone arrivano quasi insieme (entro pochi miliardesimi di secondo), è difficilissimo distinguerli.
• Il successo: I detective, specialmente il "Super-Osservatore" (STT-Vector), sono riusciti a identificare e cancellare circa il 25% - 48% delle scintille di Carbonio che si erano mescolate al segnale.
• La sicurezza: Il punto più importante? Non hanno mai cancellato per sbaglio il messaggio vero! Hanno sbagliato a identificare il segnale principale come "spazzatura" meno dell'1%. È come se avessero tolto le foglie secche dal vaso d'acqua senza toccare la goccia pura.

✨ Perché è importante?

Immagina di dover misurare la precisione di un orologio atomico, ma c'è un po' di polvere che fa ticchettare l'ingranaggio. Se togli la polvere, l'orologio diventa molto più preciso.

In fisica, questo significa che gli scienziati potranno misurare le proprietà dei neutrini (le particelle fantasma) con una precisione mai vista prima. Questo aiuterà a rispondere a domande fondamentali sull'universo, come: "Perché l'universo è fatto di materia e non di antimateria?" o "Qual è la massa esatta dei neutrini?".

In sintesi

Gli scienziati hanno creato un filtro intelligente basato sull'Intelligenza Artificiale. Invece di cercare di fermare il rumore di fondo (che è impossibile), hanno insegnato al computer a riconoscere il rumore mentre sta accadendo e a cancellarlo digitalmente, lasciando il messaggio originale cristallino e perfetto. È come avere un assistente che ti pulisce gli occhiali mentre cammini in una nebbia fitta, permettendoti di vedere la strada con chiarezza.

Sommario tecnico

Soppressione dei segnali dei fotoni del $^{14}$C in grandi rivelatori a scintillatore liquido tramite deep learning spaziotemporale

1. Il Problema

I rivelatori a scintillatore liquido (LS) sono fondamentali negli esperimenti di fisica dei neutrini grazie alla loro bassa soglia energetica e all'alta risoluzione energetica. Tuttavia, sono affetti da un fenomeno noto come "pile-up" (sovrapposizione), in cui processi di segnale e fondo si verificano nella stessa finestra di acquisizione dati.
In particolare, l'isotopo $^{14}$C, presente in tracce negli scintillatori a base di carbonio, subisce un decadimento beta che genera fotoni di scintillazione. Quando questi fotoni si sovrappongono temporalmente al segnale di un positrone ($e^+$) prodotto, ad esempio, dal decadimento inverso del beta (IBD) nei rivelatori di neutrini (come JUNO), contaminano il segnale principale.
Questo effetto degrada la risoluzione energetica, un parametro critico per misurazioni di precisione come l'ordinamento della massa dei neutrini. La sfida è particolarmente complessa nei grandi rivelatori (es. JUNO, 20 kton) dove la frequenza di eventi di pile-up è alta. Distinguere i fotoni del $^{14}$C da quelli del $e^+$ a livello di singolo "hit" (colpo) è difficile perché:

• I fotoni del $^{14}$C sono pochi (circa 100) rispetto a quelli del $e^+$ (migliaia).
• Spesso la differenza temporale ($\Delta t$) tra i due eventi è piccola (entro 100-300 ns), rendendo i tagli temporali semplici inefficaci.
• I dati sono sparsi e presentano discontinuità spaziotemporali.

2. Metodologia

Gli autori propongono l'uso di tre modelli di deep learning per identificare e sopprimere gli hit dei fotoni del $^{14}$C a livello di singolo evento, mantenendo intatto il segnale del positrone. I dati simulati includono eventi con un positrone (energia cinetica $E_k \le 5$ MeV), un decadimento $^{14}$C e rumore di fondo (dark noise).

I tre modelli sviluppati sono:

1. Gated-STGNN (Gated Spatiotemporal Graph Neural Network):

   • Concetto: Tratta gli hit come nodi in un grafo dove gli archi rappresentano la vicinanza spaziotemporale.
   • Funzionamento: Utilizza un meccanismo di "message passing" (passaggio di messaggi) per propagare il contesto locale. Incorpora un'unità GRU (Gated Recurrent Unit) per catturare l'evoluzione temporale globale dell'evento attraverso bin temporali aggregati.
   • Vantaggio: Efficiente computazionalmente (complessità lineare rispetto al numero di hit) e adatto a catturare correlazioni locali.

2. STT-Scalar (Spatiotemporal Transformer con codifica scalare della carica):

   • Concetto: Tratta ogni hit come un "token" in una sequenza, utilizzando l'architettura Transformer.
   • Funzionamento: Utilizza l'attenzione globale (self-attention) per permettere a ogni hit di interagire con tutti gli altri. La carica di ogni hit è codificata come un singolo valore scalare.
   • Vantaggio: Cattura dipendenze globali complesse, ma ha una complessità computazionale quadratica ($O(N^2)$) rispetto al numero di hit.

3. STT-Vector (Spatiotemporal Transformer con codifica vettoriale della carica):

   • Concetto: Un'evoluzione dello STT-Scalar che arricchisce ogni token con informazioni sulla densità di carica locale e globale.
   • Funzionamento: Per ogni hit, costruisce un vettore di 18 dimensioni che aggrega la somma delle cariche e le asimmetrie temporali in finestre spaziotemporali multiple (locali e globali). Questo vettore viene poi elaborato dal Transformer.
   • Vantaggio: Sfrutta le correlazioni di densità di carica per migliorare la discriminazione, mantenendo la capacità di catturare dipendenze globali.

3. Contributi Chiave

• Nuovo approccio al pile-up: Applicazione di tecniche avanzate di deep learning (GNN e Transformer) specificamente adattate alla geometria sferica e alla sparsità dei dati nei rivelatori a scintillatore liquido, un ambito meno esplorato rispetto alla ricostruzione di getti al LHC.
• Architetture ibride: Sviluppo di modelli che combinano informazioni spaziali, temporali e di carica in modo sofisticato, superando i limiti dei semplici tagli temporali.
• Validazione su scenari realistici: I modelli sono testati su un dataset simulato basato sull'esperimento JUNO, coprendo diverse energie del positrone e posizioni di vertice, inclusi scenari di sovrapposizione temporale critica ($\Delta t \in [-100, 300]$ ns).

4. Risultati

I modelli sono stati valutati su dataset di test indipendenti con le seguenti prestazioni:

• Efficienza di identificazione (Recall del $^{14}$C):
  • Il modello STT-Vector ottiene le prestazioni migliori, con un recall del $^{14}$C che varia dal 25% al 48% a seconda dell'energia del positrone (più alto a basse energie).
  • STT-Scalar segue da vicino, mentre Gated-STGNN mostra prestazioni leggermente inferiori.
• Precisione e Contaminazione:
  • Tutti i modelli mantengono un tasso di falsi positivi estremamente basso: meno dell'1% degli hit del positrone ($e^+$) viene erroneamente classificato come $^{14}$C, e meno del 2% del rumore di fondo (dark noise).
  • Questo è cruciale per non degradare il segnale utile o alterare il livello di rumore di fondo stimato.
• Miglioramento della Risoluzione Energetica:
  • La rimozione degli hit del $^{14}$C identificati dai modelli porta a un miglioramento significativo della risoluzione della carica totale ($Q_{sum}$).
  • Per eventi a bassa energia ($E_k(e^+) = 0$ MeV), la risoluzione migliora fino al 18-20%.
  • Per eventi ad alta energia ($E_k(e^+) = 5$ MeV), il miglioramento è del 3%, poiché a energie più elevate la statistica intrinseca dei fotoni del positrone domina la risoluzione, rendendo l'impatto del $^{14}$C meno critico ma comunque rilevabile.
• Robustezza: Le prestazioni rimangono stabili anche vicino ai bordi del rivelatore e in diverse condizioni di propagazione della luce.

5. Significato e Implicazioni

Questo lavoro dimostra la fattibilità dell'uso del deep learning per la soppressione del pile-up a livello di singolo hit in grandi rivelatori a scintillatore liquido.

• Impatto su JUNO e futuri esperimenti: Il metodo proposto offre una via per raggiungere la risoluzione energetica richiesta (3% a 1 MeV) dall'esperimento JUNO, mitigando uno dei principali fattori di degrado (il $^{14}$C) senza sacrificare il segnale utile.
• Scalabilità: Sebbene i modelli basati su Transformer abbiano costi computazionali più elevati, il modello STT-Vector offre il miglior compromesso tra accuratezza e complessità, rendendolo un candidato promettente per l'integrazione nelle catene di ricostruzione reali.
• Futuri sviluppi: Il lavoro apre la strada a strategie di pulizia dei dati più sofisticate, che potrebbero essere estese a eventi con pile-up multipli o integrate con algoritmi di ricostruzione del vertice e dell'energia per ottimizzare ulteriormente la sensibilità fisica degli esperimenti di neutrini.

In sintesi, lo studio conferma che l'identificazione intelligente e la rimozione selettiva dei fotoni di fondo possono recuperare una parte significativa della risoluzione energetica persa a causa del pile-up, un passo fondamentale per la prossima generazione di esperimenti di fisica dei neutrini.