Muon Track Reconstruction Procedures at the Baikal-GVD Neutrino Telescope

Sintesi Tecnica: Procedure di Ricostruzione delle Tracce di Muoni al Telescopio per Neutrini Baikal-GVD

Enunciato del Problema
Il Baikal-GVD (Rivelatore di Volume Gigaton) è il più grande telescopio per neutrini nell'Emisfero Nord, progettato per studiare il flusso cosmico di neutrini nell'intervallo TeV–PeV. Sebbene il canale a cascata del rivelatore offra una ricostruzione precisa dell'energia, il canale a traccia è superiore nell'identificare sorgenti puntiformi astrofisiche grazie alla sua risoluzione angolare superiore. La sfida principale nell'analisi di eventi simili a tracce nel Lago Baikal è l'elevato tasso di rumore ottico ambientale causato dalla luminescenza di materia organica in sedimentazione e alghe. Questo rumore genera un tasso non uniforme (variabile da decine a centinaia di kHz) che può produrre centinaia di segnali spurii all'interno della finestra di lettura di 5 µs del rivelatore, complicando l'identificazione della luce Cherenkov genuina emessa dai muoni prodotti dalle interazioni dei neutrini.

Metodologia
Il documento descrive una pipeline di ricostruzione sviluppata specificamente per l'elaborazione di dati a singolo cluster (dove più cluster non sono ancora pienamente integrati per l'analisi delle tracce). La metodologia procede attraverso tre fasi principali:

1. Rilevamento dei Segnali dei Muoni e Soppressione del Rumore:

   • Criteri in Due Fasi: L'algoritmo identifica inizialmente gli impulsi Cherenkov sopprimendo il rumore mediante criteri di correlazione temporale. Una semplice condizione sulla differenza temporale ($\Delta t < \Delta R n/c + \delta$) filtra i segnali, seguita da un criterio di "causalità direzionale" che collega i segnali basandosi su requisiti rigorosi rispetto alla direzione della traccia.
   • Teoria dei Grafi: La raccolta di segnali che forma il più grande clique completamente connesso viene identificata utilizzando l'algoritmo di Bron–Kerbosch.
   • Scansione Direzionale: Viene eseguita una scansione su una griglia di $60^\circ \times 60^\circ$ attorno a una direzione di traccia preliminare per trovare la direzione che produce i più grandi clique di segnali completamente connessi.
   • Purezza dei Segnali: Questa procedura raggiunge una purezza nella raccolta dei segnali di circa il 95%, mantenendo al contempo una probabilità del 95% di catturare i segnali Cherenkov per gli spettri dei neutrini atmosferici.

2. Ricostruzione della Traccia e Stima dell'Energia:

   • Direzione e Posizione: La direzione e la posizione della traccia sono determinate minimizzando una funzione di perdita a due termini. Il primo termine è un $\chi^2$ basato sulla differenza temporale tra i segnali misurati e il tempo di arrivo Cherenkov atteso (assumendo emissione diretta). Il secondo termine penalizza le tracce spostate in base alla distanza dalla traccia e alla carica depositata, ponderato per rimanere efficace su un ampio intervallo di energie (da TeV a PeV).
   • Ricostruzione dell'Energia: L'energia del muone è stimata utilizzando un "stimatore mediano dell'energia". Il tasso di perdita di energia è calcolato per i moduli ottici entro 40 m dalla traccia, tenendo conto dell'assorbimento della luce e dei fattori geometrici. La mediana di queste perdite di energia elementari funge da proxy per la vera energia del muone ($E_{true}$), che viene mappata mediante adattamenti polinomiali. Vengono applicate correzioni per tenere conto di distorsioni legate al numero di segnali e all'angolo zenitale.

3. Selezione dei Candidati Neutrino:

   • Rigetto del Rumore di Fondo: Il campione di eventi ricostruiti è dominato da fasci di muoni atmosferici mal ricostruiti. Per isolare i candidati neutrino (in particolare eventi in salita con angoli zenitali $>100^\circ$), gli autori impiegano alberi decisionali potenziati (Boosted Decision Trees, BDT).
   • Addestramento BDT: Vengono addestrati due BDT separati: uno per neutrini a bassa energia ($E_\mu < 10$ TeV) e uno per neutrini ad alta energia ($E_\mu > 10$ TeV). Questi utilizzano circa 20 variabili quasi indipendenti, inclusa la qualità dell'adattamento e la topologia dell'evento.
   • Segnale contro Rumore di Fondo: I BDT sono addestrati sugli spettri di neutrini atmosferici e astrofisici (basati sui modelli Bartol e IceCube) contro un rumore di fondo di fasci di muoni atmosferici (simulati tramite CORSIKA).

Risultati Chiave
La pipeline di analisi è stata applicata ai dati raccolti durante le stagioni 2019–2021, corrispondenti a un tempo morto totale di 14,4 anni in modalità a singolo cluster.

• Risoluzione Angolare: La procedura di ricostruzione raggiunge una risoluzione angolare mediana di $0,2^\circ$ per tracce sufficientemente lunghe (lunghezza $>500$ m).
• Risoluzione Energetica: Per muoni con energie superiori a $\sim10$ TeV, si ottiene un fattore di risoluzione energetica di 2,5.
• Efficienza di Selezione: Applicando un taglio sulla risposta BDT $>0,25$ (per BDT a bassa o alta energia) si ottiene un campione in cui il contributo dei fasci di muoni mal ricostruiti è stimato al $\sim3\%$, mantenendo al contempo un'efficienza di selezione degli eventi neutrino di circa il 70%.
• Confronto Dati-MC: È stato selezionato un campione di 1.189 candidati neutrino. Il tasso di eventi osservato nei dati è risultato essere il 30% superiore a quanto atteso dalla simulazione dei neutrini atmosferici utilizzando il flusso Bartol. Di conseguenza, è stato applicato un fattore di normalizzazione di 1,32 alla simulazione Monte Carlo (MC) per un ulteriore confronto. Le distribuzioni dei segnali della traccia e dell'energia ricostruita del muone mostrano un accordo accettabile tra dati e aspettative MC dopo questa scalatura.

Significato e Affermazioni
Il documento afferma di presentare lo stato della pipeline di analisi degli eventi simili a tracce per il telescopio Baikal-GVD. Il suo significato principale risiede nel dimostrare la capacità di ricostruire le direzioni dei muoni con alta precisione ($\sim0,2^\circ$) e di stimare l'energia dei muoni con un fattore di risoluzione di 2,5 nell'ambiente impegnativo del Lago Baikal. Il lavoro convalida l'uso di tecniche specifiche di soppressione del rumore e di apprendimento automatico (BDT) per separare efficacemente i segnali neutrino dal dominante rumore di fondo dei muoni atmosferici. Gli autori notano che l'analisi è stata eseguita senza ulteriore ottimizzazione dei tagli, fungendo da dimostrazione delle prestazioni della pipeline sul dataset 2019–2021. La discrepanza nel tasso di eventi (i dati superano la MC del 30%) è indicata come un'area per ulteriori indagini, ma il accordo complessivo nelle distribuzioni supporta la validità dei metodi di ricostruzione e selezione.