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

この研究は、高純度ゲルマニウム検出器において、ガンマ線データのみで訓練されたパルス形状識別分類器がアルファ事象を効果的に同定および拒絶できることを示しており、専用アルファ訓練データが不足しているLEGEND などの次世代ニュートリノレス二重ベータ崩壊探索に対して、堅牢な背景抑制戦略を提供するものである。

要約

非常に騒がしい部屋で、たった一つの完璧なささやきを聞き取ろうと想像してみてください。これが、科学者たちが「ニュートリノなし二重ベータ崩壊」と呼ばれる稀有な現象を探求する際に実際に行っていることです。彼らは、純粋なゲルマニウム結晶で作られた極めて感度の高いマイクロフォン（検出器）を用いて、これらのささやきを捉えようとします。

しかし、その部屋には他の雑音で満ちています：

1. 「悪い」雑音：時折、ガンマ線（放射線の一種）が止まる前に部屋を何度も跳ね回ります。これらは、部屋の異なる隅で人々が手を叩いているようなものです。科学者たちはこれらを無視したいと考えています。
2. 「侵入者」雑音：時折、アルファ粒子（小さく重い放射性の粒子）がマイクロフォンの表面に直接着弾します。これらは、誰かが指でマイクロフォンを直接トントンと叩くようなものです。これらは科学者たちが探している「ささやき」と非常に似た音を作り出し、実際には何も見つけていないのに何かを見つけたと思い込ませる可能性があります。

問題点

通常、コンピュータに「悪い雑音」（ガンマ線）を無視させる方法を教えるために、科学者はそのような音の数千の例を見せます。しかし、「侵入者」雑音（アルファ粒子）については、ある問題があります：実際の実験では、これらの侵入者は極めて稀であるため、コンピュータにそれらがどのようなものか教えるのに十分な数が存在しないのです。

この論文が問う大きな疑問は、**「実際の侵入者を一度も示すことなく、悪い雑音（ガンマ線）だけを見せることで、コンピュータに侵入者を発見させることは可能か？」**というものです。

実験

研究者たちは、高度なゲルマニウム検出器（「BEGe」タイプ）を設置し、以下の二つのことを行いました：

1. 訓練：彼らは検出器にガンマ線を照射し（トリウム源を使用）、単一の跳ね返り（良いもの）と複数の跳ね返り（悪いもの）の区別を二つの異なるコンピュータプログラム（「多層パーセプトロン」と「射影尤度分類器」）に教えました。
2. テスト：その後、彼らはポロニウム源（アルファ線放出源）を直接検出器の表面に置きました。これにより数千の「侵入者」事象が発生しました。彼らはコンピュータに尋ねました：「ねえ、ガンマ線から学んだんだろ？じゃあ、これらアルファ粒子を特定して排除できるか？」

結果

コンピュータプログラムは、これに対して驚くほど優秀でした。

• 「賢い」フィルター：最良の方法である、人工ニューラルネットワークの一種（多層パーセプトロン、MLP と呼ばれる）は、超賢い警備員のように機能しました。
• 良いものを保つ：それは、彼らが探している信号のように見える単一地点のガンマ事象（「ささやき」）の 80% 以上を保持しました。
• 悪いものを排除する：それは、複数地点のガンマ事象（「拍手」）の 80% 以上を排除しました。
• 侵入者を追い出す：最も重要なのは、アルファ粒子を驚異的な効率で排除したことです。すり抜けた 1 つのアルファ粒子に対して、27,000 個以上のアルファ粒子をフィルターで除去しました。

比喩

検出器をセキュリティカメラだと考えてみてください。

• ガンマ線は、ドアを通り抜ける人々のようなものです。時には一人が通り抜けます（良い）、時にはグループで一緒に通り抜けます（悪い）。カメラはグループを特定することを学びます。
• アルファ粒子は、ドアのすぐ隣の窓から登ろうとする人のようなものです。
• この論文は、ドアでの「グループ」を特定することを学ぶことで、カメラは訓練中に一度も登る人を見たことがなくても、窓辺の「登り手」も特定することを学んだことを示しています。

結論

この論文は、それらを排除する方法を検出器に教えるために、大量の稀な「侵入者」の例集が必要ではないと結論付けています。より一般的な「悪い雑音」（ガンマ線）のみでシステムを訓練することで、機械学習アルゴリズムは自然と「侵入者」（アルファ粒子）も特定することを学びます。

これは将来の実験（本文中で言及されている LEGEND プロジェクトなど）にとって大きな勝利です。なぜなら、ソフトウェアを訓練するために十分な数の稀なアルファ事象を集めるのに数年を待つことなく、よりクリーンで感度の高い検出器を構築できることを意味するからです。「賢いフィルター」は、すでに持っているデータのみを使用して、箱から出してすぐに機能します。

技術概要

技術的概要：BEGe 型 HPGe 検出器における$\alpha$事象の拒絶のためのパルス形状識別

問題定義
高純度ゲルマニウム（HPGe）検出器は、特に$^{76}\text{Ge}$におけるニュートリノなし二重ベータ崩壊（$0\nu\beta\beta$）の探索（例：LEGEND 実験）において、稀有事象探索の中心をなしています。これらの検出器は優れたエネルギー分解能と本質的な純度を有していますが、背景事象の影響を受けやすいという課題があります。特定の課題は、$^{210}\text{Po}$や$^{226}\text{Ra}$などの表面汚染物質から放出される$\alpha$粒子の拒絶です。これらの放出体が検出器の薄い$p^+$コンタクト上に位置する場合、$\alpha$粒子は活性体積内でエネルギーの一部分を付与し、2039 keV の$Q_{\beta\beta}$値周辺の関心領域（ROI）を模倣する信号を生成する可能性があります。

標準的なパルス形状識別（PSD）技術は、単一サイト事象（SSE、信号に類似）と多サイト事象（MSE、背景に類似する$\gamma$線）を区別するのに効果的です。しかし、$\alpha$事象も典型的には SSE に類似しているため、標準的な$\gamma$線に基づく PSD カットを用いてこれらを拒絶することは困難です。さらに、低背景実験においては、実験期間中に観測される$\alpha$事象の総数が、$\alpha$拒絶専用の分類器を訓練するには通常低すぎます。ここで扱われる核心的な問題は、高統計量の$\gamma$線データ（SSE 対 MSE）のみで訓練された PSD 分類器が、専用の$\alpha$訓練データを必要とせずに、$\alpha$事象を効果的に同定し拒絶できるかどうかです。

手法
本研究では、ポイントコンタクト型広域エネルギーゲルマニウム（BEGe）検出器を使用しました。表面において 2 つの測定キャンペーンを実施しました：

1. 低統計量（LS）： $^{209}\text{Po}$源（$\sim$0.1 Bq）を使用し、$\sim 1.36 \times 10^5$個の$\alpha$事象を得ました。
2. 高統計量（HS）： $^{210}\text{Po}$源（$\sim$1 Bq）を使用し、$\sim 1.87 \times 10^6$個の$\alpha$事象を得ました。

両方のキャンペーンにおいて、金箔に堆積させたポロニウムを、表面汚染をシミュレートするために検出器の$p^+$コンタクトに直接配置しました。$^{228}\text{Th}$源を用いた較正測定により、PSD 分類器の訓練データを提供しました。

2 つの機械学習（ML）アプローチが調査されました：

• 射影尤度（PLK）： 入力特徴量間の統計的独立性を仮定したナイーブベイズ分類器。
• 多層パーセプトロン（MLP）： 6 つの密結合層（次元：64-32-16-8-4-1）を持つフィードフォワード人工神経ネットワーク。隠れ層には ReLU 活性化関数、出力層にはシグモイド関数を使用。

入力特徴量と訓練：

• 入力は、生波形の立ち上がり部分から 64 点（現在の最大値の 32 サンプル前、1 点、31 点後）で構成されました。
• 訓練データセットは$^{228}\text{Th}$較正測定から構築され、特定のエネルギー領域を選択して SSE（二重エスケープピーク、コンプトン端）と MSE（単一エスケープピーク、全エネルギーピーク、多重コンプトン散乱）クラスを定義しました。
• SSE と MSE の定義に使用される特定のピークを変化させた 6 つの異なる訓練構成（TC1–TC6）がテストされました。
• 従来の A/E（振幅/エネルギー）分類器をベンチマークとして使用しました。

主要な結果
分類器は、SSE 生存率（信号効率）、MSE 拒絶率（背景抑制）、および$\alpha$拒絶係数の 3 つの指標に基づいて評価されました。

1. $\gamma$背景に対する性能： 両方の ML 手法は、SSE と MSE 事象の分離に成功しました。二重エスケープピーク（DEP）で訓練された構成は、一般的にコンプトン端（CE）で訓練された構成よりも優れていました。MLP は、80% 超の SSE 生存率と 20% 未満の MSE 生存率を達成し、GERDA や LEGEND の以前の結果と一致するか、それを超えました。
2. $\alpha$拒絶に対する性能： 決定的なことに、$\gamma$データのみで訓練された分類器は、$\alpha$事象を拒絶する強力な能力を示しました。
   • MLP： 全体的に最高の性能を達成しました。HS 測定（TC2 構成）において、90% 信頼水準で$\alpha$拒絶係数$> 2.71 \times 10^4$を達成し、高い信号効率を維持しました。
   • PLK： 効果的でしたが、拒絶係数の下限の点では MLP よりもわずかに性能が劣りました。
   • A/E： 従来の A/E 法は、$\alpha$拒絶が著しく弱く（係数$\sim 54$）、スペクトル中に残留する$\alpha$ピークが依然として可視でした。
3. 波形分析： 本研究では、$\alpha$事象が一般的に信号帯域よりも低い MLP スコアにクラスタリングすることが観察されました。しかし、コンタクトの端近くで発生した事象に起因すると考えられる、$\alpha$事象の二次的なクラスタ（総数の約 1%）が信号帯域に近い位置に現れました。それにもかかわらず、最適なカット値は、$\alpha$事象の大部分を抑制しながら、性能指標（FoM）を最大化しました。

意義と主張
本論文は、HPGe 検出器に対する堅牢なパルス形状識別が、$\gamma$事象のみから導出された訓練情報を用いて達成可能であると主張しています。この発見は、そのような事象の希少性により専用の$\alpha$訓練データが利用できない、次世代の$0\nu\beta\beta$実験（LEGEND など）にとって実用的な戦略を提供する点で重要です。

著者らは以下のように結論付けています：

• $\alpha$拒絶のために個別の専用分類器を開発する必要はない。
• $\gamma$データで最適化された単一の PSD カットは、多サイト$\gamma$背景と表面$\alpha$背景を同時に高い効率で抑制できる。
• この二重目的の拒絶において、MLP アプローチは PLK および従来の A/E 法よりも優れている。

本研究は、表面レベルの測定条件（より高いミュオン背景）や特定の検出器構成（キャンペーン間の JFET 交換）を含む限界を認めています。著者らは、実験を地下で繰り返すことで背景をさらに低減でき、$\alpha$拒絶係数を$10^5$のオーダーにまで高める可能性があることを示唆しています。