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

Questo studio dimostra che i classificatori di discriminazione della forma dell'impulso addestrati esclusivamente su dati di raggi gamma possono identificare e respingere efficacemente gli eventi alfa nei rivelatori in germanio ad alta purezza, offrendo una strategia robusta di soppressione del fondo per le ricerche di decadimento doppio beta senza neutrini di prossima generazione come LEGEND, dove i dati di addestramento dedicati agli alfa sono insufficienti.

L'essenziale

Immagina di cercare di ascoltare un singolo, perfetto sussurro in una stanza molto rumorosa. Questo è essenzialmente ciò che fanno gli scienziati quando cercano un evento raro chiamato "decadimento doppio beta senza neutrini". Utilizzano microfoni incredibilmente sensibili realizzati con cristalli di germanio puro (rivelatori) per catturare questi sussurri.

Tuttavia, la stanza è piena di altri rumori:

1. Il rumore "cattivo": A volte, i raggi gamma (un tipo di radiazione) rimbalzano nella stanza più volte prima di fermarsi. Questi sono come persone che battono le mani in diversi angoli della stanza. Gli scienziati vogliono ignorarli.
2. Il rumore "intruso": A volte, le particelle alfa (piccoli, pesanti frammenti radioattivi) atterrano direttamente sulla superficie del microfono. Questi sono come qualcuno che tocca il microfono direttamente con un dito. Creano un suono che assomiglia molto al "sussurro" che gli scienziati stanno cacciando, potenzialmente ingannandoli facendogli credere di aver trovato qualcosa quando non è così.

Il Problema

Di solito, per insegnare a un computer a ignorare il "rumore cattivo" (raggi gamma), gli scienziati gli mostrano migliaia di esempi di quei suoni. Ma per il "rumore intruso" (particelle alfa), c'è un ostacolo: negli esperimenti reali, questi intrusi sono così rari che non ce ne sono abbastanza per insegnare al computer come appaiono.

La grande domanda che questo articolo pone è: Possiamo insegnare al computer a individuare l'"intruso" mostrandogli solo il "rumore cattivo" (raggi gamma), senza mai mostrargli un vero intruso?

L'Esperimento

I ricercatori hanno allestito un rivelatore di germanio ad alta tecnologia (di tipo "BEGe") e hanno fatto due cose:

1. Addestramento: Hanno bombardato il rivelatore con raggi gamma (utilizzando una sorgente di Torio) per insegnare a due diversi programmi informatici (un "Perceptron Multistrato" e un classificatore "Projective Likelihood") a distinguere tra un singolo rimbalzo (buono) e rimbalzi multipli (cattivi).
2. Test: Hanno poi posizionato una sorgente di Polonio (un emettitore alfa) direttamente sulla superficie del rivelatore. Questo ha creato migliaia di eventi "intruso". Hanno chiesto al computer: "Ehi, hai imparato dai raggi gamma. Riesci ora a individuare e respingere queste particelle alfa?"

I Risultati

I programmi informatici sono stati sorprendentemente bravi in questo.

• Il filtro "intelligente": Il metodo migliore, un tipo di Rete Neurale Artificiale (chiamato Perceptron Multistrato o MLP), ha agito come un buttafuori super-intelligente.
• Mantenere il buono: Ha mantenuto oltre l'80% dei "sussurri" (gli eventi gamma a sito singolo che assomigliano al segnale che cercano).
• Respingere il cattivo: Ha scartato oltre l'80% dei "battiti di mani" (gli eventi gamma a più siti).
• Cacciare gli intrusi: Soprattutto, ha respinto le particelle alfa con un'efficienza incredibile. Ha filtrato più di 27.000 particelle alfa per ogni singola che è riuscita a passare.

L'Analogia

Pensa al rivelatore come a una telecamera di sicurezza.

• I raggi gamma sono come persone che attraversano una porta; a volte passa una sola persona (buono), a volte un gruppo passa insieme (cattivo). La telecamera impara a individuare i gruppi.
• Le particelle alfa sono come qualcuno che cerca di arrampicarsi attraverso una finestra proprio accanto alla porta.
• L'articolo dimostra che, imparando a individuare i "gruppi" alla porta, la telecamera ha anche imparato a individuare l'"arrampicatore" alla finestra, anche se non ha mai visto un arrampicatore durante il suo addestramento.

La Conclusione

L'articolo conclude che non è necessaria una vasta libreria di rari esempi di "intrusi" per insegnare al tuo rivelatore come respingerli. Addestrando il sistema solo sul "rumore cattivo" più comune (raggi gamma), gli algoritmi di apprendimento automatico imparano naturalmente a individuare anche gli "intrusi" (particelle alfa).

Questo è una grande vittoria per i futuri esperimenti (come il progetto LEGEND menzionato nel testo) perché significa che possono costruire rivelatori più puliti e sensibili senza dover attendere anni per raccogliere eventi alfa sufficientemente rari da addestrare il loro software. Il "filtro intelligente" funziona pronto all'uso, utilizzando solo i dati che hanno già.

Sommario tecnico

Riepilogo Tecnico: Discriminazione della Forma dell'Impulso per il Reiezione di Eventi $\alpha$ nei Rivelatori HPGe di Tipo BEGe

Enunciato del Problema
I rivelatori al germanio ad alta purezza (HPGe) sono centrali nelle ricerche di eventi rari, in particolare la ricerca del decadimento doppio beta senza neutrini ($0\nu\beta\beta$) nel $^{76}\text{Ge}$ (ad esempio, l'esperimento LEGEND). Sebbene questi rivelatori offrano un'eccellente risoluzione energetica e purezza intrinseca, rimangono suscettibili a eventi di fondo. Una sfida specifica è il rifiuto delle particelle $\alpha$ emesse da contaminanti superficiali come $^{210}\text{Po}$ e $^{226}\text{Ra}$. Se questi emettitori sono situati sul sottile contatto $p^+$ del rivelatore, le particelle $\alpha$ possono depositare una frazione della loro energia all'interno del volume attivo, generando segnali che possono mimare la regione di interesse (ROI) attorno al valore $Q_{\beta\beta}$ di 2039 keV.

Le tecniche standard di discriminazione della forma dell'impulso (PSD) sono efficaci nel distinguere eventi a sito singolo (SSE, simili al segnale) da eventi a più siti (MSE, simili al fondo di raggi $\gamma$). Tuttavia, gli eventi $\alpha$ sono anch'essi tipicamente simili agli SSE, rendendoli difficili da rifiutare utilizzando tagli PSD basati sui $\gamma. Inoltre, negli esperimenti a basso fondo, il numero totale di eventi$\alpha$ osservati durante la vita dell'esperimento è spesso troppo basso per addestrare classificatori dedicati specificamente per il rifiuto degli $\alpha$. Il problema centrale affrontato è se un classificatore PSD addestrato esclusivamente su dati ad alta statistica di raggi $\gamma$ (SSE vs MSE) possa identificare e rifiutare efficacemente gli eventi $\alpha$ senza richiedere dati di addestramento dedicati per gli $\alpha.

Metodologia
Lo studio ha utilizzato un rivelatore al germanio a energia larga con contatto puntuale (BEGe). Sono state condotte due campagne di misura sulla superficie:

1. Bassa Statistica (LS): Utilizzando una sorgente di $^{209}\text{Po}$ ($\sim$0,1 Bq), producendo $\sim 1,36 \times 10^5$ eventi $\alpha$.
2. Alta Statistica (HS): Utilizzando una sorgente di $^{210}\text{Po}$ ($\sim$1 Bq), producendo $\sim 1,87 \times 10^6$ eventi $\alpha$.

In entrambe le campagne, un foglio d'oro con polonio depositato è stato posizionato direttamente sul contatto $p^+$ del rivelatore per simulare la contaminazione superficiale. Le corse di calibrazione con una sorgente di $^{228}\text{Th}$ hanno fornito i dati di addestramento per i classificatori PSD.

Sono stati investigati due approcci di apprendimento automatico (ML):

• Verosimiglianza Proiettiva (PLK): Un classificatore Bayesiano Naive che assume l'indipendenza statistica tra le variabili di input.
• Perceptron Multistrato (MLP): Una rete neurale artificiale feed-forward con sei strati densi (dimensioni: 64-32-16-8-4-1), utilizzando l'attivazione ReLU per gli strati nascosti e sigmoide per l'output.

Variabili di Input e Addestramento:

• L'input consisteva in 64 punti del bordo di salita della forma d'onda grezza (32 campioni prima, 1 al massimo di corrente e 31 dopo il massimo di corrente).
• I dataset di addestramento sono stati costruiti dalle corse di calibrazione con $^{228}\text{Th}$, selezionando regioni energetiche specifiche per definire le classi SSE (Picchi di Fuga Doppia, Bordo Compton) e MSE (Picchi di Fuga Singola, Picchi di Energia Completa, Scattering Compton Multiplo).
• Sono state testate sei diverse configurazioni di addestramento (TC1–TC6), variando i picchi specifici utilizzati per le definizioni di SSE e MSE.
• Un classificatore tradizionale A/E (Ampiezza/Energia) è stato utilizzato come riferimento.

Risultati Chiave
I classificatori sono stati valutati in base a tre metriche: sopravvivenza SSE (efficienza del segnale), rifiuto MSE (soppressione del fondo) e fattore di rifiuto $\alpha$.

1. Prestazioni sul Fondo $\gamma$: Entrambi i metodi ML hanno separato con successo gli eventi SSE e MSE. Le configurazioni addestrate sui Picchi di Fuga Doppia (DEP) hanno generalmente superato quelle addestrate sul Bordo Compton (CE). L'MLP ha raggiunto frazioni di sopravvivenza SSE >80% e frazioni di sopravvivenza MSE <20%, coerenti con o superiori ai risultati precedenti di GERDA e LEGEND.
2. Prestazioni sul Rifiuto $\alpha$: Crucialmente, i classificatori addestrati solo su dati $\gamma$ hanno dimostrato una forte capacità di rifiutare gli eventi $\alpha$.
   • MLP: Ha raggiunto le migliori prestazioni complessive. Per la corsa HS (configurazione TC2), ha prodotto un fattore di rifiuto $\alpha > 2,71 \times 10^4$ (a livello di confidenza del 90%) mantenendo un'alta efficienza del segnale.
   • PLK: Anche efficace, sebbene leggermente meno performante dell'MLP in termini di limite inferiore sul fattore di rifiuto.
   • A/E: Il metodo tradizionale A/E ha mostrato un rifiuto $\alpha significativamente più debole (fattore$\sim 54$), con picchi $\alpha residui ancora visibili negli spettri.
3. Analisi della Forma d'Onda: Lo studio ha osservato che gli eventi $\alpha si raggruppano generalmente a punteggi MLP più bassi rispetto alla banda del segnale. Tuttavia, un secondo raggruppamento di eventi$\alpha (circa l'1% del totale) appariva più vicino alla banda del segnale, probabilmente a causa di eventi avvenuti vicino ai bordi del contatto. Nonostante ciò, il valore di taglio ottimale ha massimizzato la Figura di Merito (FoM) sopprimendo la vasta maggioranza degli eventi $\alpha.

Significato e Affermazioni
Il documento afferma che una discriminazione robusta della forma dell'impulso per i rivelatori HPGe può essere ottenuta utilizzando informazioni di addestramento derivate **esclusivamente da eventi $\gamma**. Questa scoperta è significativa perché offre una strategia pratica per le prossime generazioni di esperimenti$0\nu\beta\beta (come LEGEND) in cui i dati di addestramento dedicati agli $\alpha non sono disponibili a causa della rarità di tali eventi.

Gli autori concludono che:

• Non è necessario sviluppare classificatori separati e dedicati per il rifiuto degli $\alpha.
• Un singolo taglio PSD, ottimizzato sui dati $\gamma, può sopprimere simultaneamente i fondi$\gamma a più siti e i fondi superficiali $\alpha con alta efficienza.
• L'approccio MLP è superiore sia al PLK che al metodo tradizionale A/E per questo rifiuto a doppio scopo.

Lo studio riconosce le limitazioni, incluse le condizioni di misura a livello superficiale (maggiore fondo di muoni) e la specifica configurazione del rivelatore (sostituzione del JFET tra le campagne). Gli autori suggeriscono che ripetere l'esperimento sottoterra ridurrebbe ulteriormente il fondo, permettendo potenzialmente un fattore di rifiuto $\alpha dell'ordine di$10^5.