WavePID: Low-energy flavor identification using single-PMT time series in IceCube

Sintesi Tecnica: WavePID: identificazione del sapore a bassa energia utilizzando serie temporali single-PMT in IceCube

Definizione del Problema
L'Osservatorio di Neutrini IceCube si affida alla morfologia degli eventi per distinguere tra i sapori dei neutrini (tracce vs. cascate). Tuttavia, nel regime a bassa energia di 5–100 GeV, particolarmente all'interno del sub-array DeepCore, gli eventi spesso presentano una rilevazione di fotoni sparsa (specificamente $10 \le n_{hit} < 20$). In questo regime, il pattern di luce fornisce vincoli deboli sulla morfologia dell'evento, limitando il potere di separazione delle reti neurali a grafi (GNN) allo stato dell'arte come DynEdge. Sebbene le GNN utilizzino informazioni per impulso grezze (posizione, tempo, carica), esse normalizzano i timestamp alla durata dell'evento su scala del microsecondo, potenzialmente comprimendo la struttura critica su scala del nanosecondo dei tempi iniziali che distingue le tracce di muoni dalle cascate elettromagnetiche. Il documento affronta la sfida di determinare se l'informazione temporale su scala del nanosecondo sui singoli Digital Optical Modules (DOM) contenga informazioni di identificazione del sapore complementari ai classificatori esistenti basati sulla morfologia.

Metodologia
Gli autori introducono WavePID, un classificatore compatto basato su template e sul rapporto di verosimiglianza logaritmica, progettato per sfruttare il tempo su scala del nanosecondo sui singoli DOM. La metodologia procede in tre fasi:

1. Motivazione Microfisica (Simulazione Geant4): Utilizzando il framework Geant4 e il modello IceCube OMSim, gli autori hanno simulato le distribuzioni dei tempi di arrivo dei fotoni (PATD) per muoni ed elettroni da 5–100 GeV nella neve (ice). Hanno scoperto che le tracce di muoni producono un fronte di Cherenkov diretto e acuto, risultando in una PATD a salita rapida dominata dall'emissione della particella primaria. Al contrario, le cascate elettromagnetiche (elettroni) producono luce tramite secondari di Bremsstrahlung su diversi nanosecondi, risultando in una PATD più ampia. Questa differenza è più pronunciata nei primi $\sim10$ ns dopo l'arrivo del primo fotone.
2. Costruzione degli Osservabili: WavePID opera su impulsi ATWD ricostruiti da singoli DOM. Per ogni DOM $n$, costruisce un vettore di caratteristiche $\mathbf{x}_n$ comprendente tre osservabili motivate dalla fisica:
   • $r_n$: la distanza dal DOM al vertice di interazione ricostruito.
   • $\xi^t_n$: la frazione di carica iniziale, definita come la frazione della carica totale che arriva entro i primi $t$ nanosecondi (specificamente $t=14$ ns) dopo il primo impulso.
   • $\Delta t_n$: il tempo del primo impulso sul DOM rispetto al primo impulso su qualsiasi DOM nell'evento.
3. Algoritmo di Classificazione: Lo spazio delle caratteristiche viene discretizzato in bin 3D. L'algoritmo costruisce template di sola forma (funzioni di massa di probabilità) per le ipotesi "traccia" e "cascata" utilizzando simulazioni Monte Carlo (MC) etichettate. La statistica del test (TS) è un rapporto di verosimiglianza logaritmica binato:
   $$TS_e = \log \frac{\mathcal{L}_{cascade}}{\mathcal{L}_{track}} = \sum_{i,j,k} H^e_{ijk} \log \frac{\lambda^{cascade}_{ijk}}{\lambda^{track}_{ijk}}$$
   dove $H^e_{ijk}$ è l'occupanza osservata dei DOM in un bin specifico per l'evento $e$, e $\lambda$ rappresenta le probabilità dei template.

Risultati Chiave
Le prestazioni di WavePID sono state valutate su ensemble Monte Carlo di IceCube DeepCore rappresentanti le principali incertezze del detector e del modello del ghiaccio (31 variazioni sistematiche). Lo studio si è concentrato su un campione arricchito in cascate (selezionato con un punteggio DynEdge $\le 0.4$) con molteplicità di hit tra 10 e 20.

• Miglioramento delle Prestazioni: Nel regime di hit sparsi ($10 \le n_{hit} < 20$), WavePID ha ottenuto un AUC superiore di 0.571 rispetto a 0.542 per il solo DynEdge all'interno dello stesso campione pre-selezionato. Ciò dimostra che la struttura dell'impulso nei tempi iniziali codifica informazioni sul sapore non catturate dalla GNN.
• Guadagno di Purezza: L'applicazione di una soglia alla statistica del test di WavePID ha aumentato la purezza delle cascate. A un punto operativo che mantiene il 20% delle cascate, la purezza è aumentata da un baseline di 0.66 (solo DynEdge) a 0.75. Questo guadagno di $+7\% \pm 1\%$ è rimasto stabile attraverso tutti i 31 ensemble sistematici del detector, indicando robustezza rispetto alle incertezze sull'efficienza dei DOM, sul ghiaccio nei fori (hole ice) e sulle proprietà ottiche del ghiaccio bulk.
• Sistematiche: Il potere di separazione è rimasto stabile attraverso le variazioni dei parametri del detector, confermando che il segnale è guidato da differenze temporali fisiche piuttosto che da artefatti strumentali.

Significatività e Rivendicazioni
Il documento afferma che WavePID dimostra la validità dell'uso di temporizzazione single-PMT su scala del nanosecondo come osservabile motivato dai primi principi per l'identificazione del sapore nei telescopi di neutrini. Gli autori sottolineano che, a loro conoscenza, questa è la prima applicazione esplicita della temporizzazione del nanosecondo di un singolo DOM per l'identificazione delle particelle in un telescopio di neutrini.

La significatività risiede nella complementarità del metodo: WavePID non sostituisce i classificatori basati sulla morfologia ma aggiunge una nuova dimensione di informazione. La discriminazione è concentrata nel regime in cui il fronte di Cherenkov principale della leptone è risolto dalla temporizzazione dell'impulso per singolo DOM, una caratteristica che i classificatori esistenti potrebbero perdere a causa della normalizzazione temporale.

Gli autori concludono che questi risultati motivano lo sfruttamento della temporizzazione fine per modulo nei futuri classificatori a bassa energia e nella progettazione di telescopi di neutrini di prossima generazione (come IceCube-Gen2, KM3NeT/ORCA, e altri) che utilizzano moduli ottici multi-PMT o ibridi con risoluzione temporale migliorata. Il documento nota che la specifica configurazione presentata è un'implementazione di base, e che la scelta ottimale di osservabili e binning dipende da specifici obiettivi fisici. L'applicazione ai dati reali di IceCube e la quantificazione dell'impatto fisico sono riservate a studi futuri dedicati.