Optimized filtering for pulse-shape based pile-up rejection applied to $0\nu\beta\beta$ search with $^{100}$Mo

本論文は、高い信号効率を維持しつつ、従来の方式と比較して無ニュートリノ二重ベータ崩壊探索におけるパイロット起因の背景事象を31%大幅に低減する、極低温検出器用の最適化されたデジタルフィルタリングアルゴリズムを提示する。

要約

全体像：嵐の中のささやき声を聞き取る

想像してみてください。あなたは、非常に騒がしい部屋の中で、ある特定の、たった一つのささやき声（ニュートリノゼロ二重ベータ崩壊と呼ばれる稀な核事象）を聞き取ろうとしています。問題は、その部屋が絶え間なく話している人々（背景雑音）で満たされていることです。

さらに厄介なことに、時には二人の人がほぼ同時に話し始めてしまうことがあります。彼らの声が重なり合い、あなたが探している特別なささやき声と全く同じように聞こえる音を作り出してしまうのです。物理学において、この重なりは**「パイアップ（pile-up）」**と呼ばれます。

もし、本物のささやき声と重なったお喋りを区別できなければ、誤報が出てしまい、実験は失敗に終わってしまいます。この論文は、科学者が真の信号を聞き取れるよう、その重なったお喋りをフィルタリングするための、よりスマートな新しい方法を提示しています。

問題点：「ダブル・クラップ」の混乱

科学者たちは、結晶（具体的にはモリブデン100）で作られた特殊なタイプの検出器を使用しています。これらの結晶は、粒子が衝突したときにわずかに温かくなる、超高感度なマイクロフォンのようなものです。

• 真の信号： 単一の粒子が衝突し、クリーンで滑らかな熱の「ブリップ（一瞬の跳ね上がり）」を生み出します。
• パイアップ： 二つの粒子が、ほぼ同時（1ミリ秒未満の間隔）に結晶に衝突します。検出器は、一つのイベントのように見えるものの、実際には二つのイベントが押しつぶされて合体した、一つの大きな乱れた「ブリップ」を検知します。

この「乱れたブリップ」は「真の信号」に酷似しているため、従来のフィルタリング手法では不十分でした。彼らは、いくつかの偽物を捕まえるために、あまりにも多くの真の信号を捨てすぎてしまっていたのです。

解決策：スマートな「音響エンジニア」

著者らは、スーパースマートな音響エンジニアのように振る舞う、新しいデジタルフィルタ（数学的ツール）を作成しました。このエンジニアは、単に音量を聞くだけではなく、音波の「形状」と「質感」を分析します。

この新しい手法がどのように機能するかを、比喩を使って説明します。

「二つのフィルタ」のトリック
ドラムのひと叩きと、あまりに速すぎて一度の音に聞こえてしまった二度のドラムの叩き音を区別しようとしていると想像してください。

1. フィルタAは、音の「滑らかさ」を聞き取るように調整されています。これは、クリーンな単一のドラムの音を好みます。
2. フィルタBは、二つの叩き音が重なったときに発生する「粗さ」や鋭いエッジを聞き取るように調整されています。

新しいアルゴリズムは、単にフィルタAまたはフィルタBの結果だけを見るのではありません。代わりに、二つの比率（比較）を取ります。

• 音が単一のヒットである場合、比率は安定しています。
• 音が乱れた重なりである場合、比率は劇的に変化します。

これら二つの視点を常に比較することで、アルゴリズムは以前よりもはるかに高い精度で「偽」の重なりイベントを見つけ出すことができます。

どのように構築したか

科学者たちは、このフィルタの設定を単に推測したわけではありません。彼らは、犬の訓練をする時のように、コンピュータを使ってこれを「訓練」しました。

• 彼らは、コンピュータに何千もの真の信号と偽の重なり信号の例を入力しました。
• コンピュータは、最も多くの偽物を捕まえつつ、最も多くの真の信号を通すことができる完璧な設定を見つけるために、内部のノブ（数学的な重み）を1秒間に数百万回調整しました。
• 彼らは、勾配降下法（最も低い点を見つけるためにゆっくりと丘を下っていく方法）という強力な手法を使用して、絶対的に最良のフィルタ設定を見つけ出しました。

結果：よりクリアな信号

彼らがCROSS実験（将来のCUPID実験のためのテストラン）のデータに対してこの新しいフィルタをテストしたところ、以下の結果が得られました。

• 目標： 真の信号の90%を維持すること（効率）。
• 勝利： 新しいフィルタを用いることで、従来の方法と比較して、偽の重なり信号を31%多く排除することができました。

このように考えてみてください。もし古い方法が100個の偽の信号を捕まえたとしたら、新しい方法は、真のささやき声を一つも失うことなく、131個の偽の信号を捕まえることができるのです。これは、一つ一つの誤報が極めて重要となる実験において、非常に大きな進歩です。

なぜこれが重要なのか

この論文は、特に極低温検出器（絶対零度近くに保たれなければならない検出器）によるニュートリノゼロ二重ベータ崩壊の探索に焦点を当てています。

• 著者らは、この手法が他の検出器技術にも広く適用可能であると述べていますが、彼らの具体的な結果と数値は、モリブデン結晶を用いたこの特定の核崩壊の探索を改善することに厳密に限定されています。
• 彼らは、この論文において、この手法が医療用画像診断や他の分野に役立つと主張したわけではありません。焦点は、物理学の実験の感度を高めることに完全に置かれています。

まとめ

この論文は、科学者のための新しい数学的な「耳」を紹介しています。二つの異なる「聞き方」を比較することで、この新しいツールは、二つのイベントが偶然に一つに合体してしまったかどうかを見分けることができます。これにより、彼らは雑音を無視し、宇宙の謎（特にニュートリノの性質に関する謎）を解き明かす可能性のある、稀で貴重な信号に集中することができるのです。

技術概要

技術要約：$^{100}$Moを用いたパルス波形に基づくパイルアップ除去のための最適化フィルタリング

問題の定義
極低バックグラウンド探索（例えば、極低温カロリメータを用いた$0\nu\beta\beta$崩壊探索）において、パイルアップ事象（異なる信号が時間的に重なり合う現象）は極めて重要な課題である。CUPID実験のような$^{100}$Moを利用する検出器では、主要なバックグラウンド源は、二重ベータ崩壊（$2\nu\beta\beta$）事象のパイルアップに起因すると予想されている。これらの事象は、単色エネルギーを持つ$0\nu\beta\beta$信号（3034 keV）を模倣する可能性がある。TESやMMCのような高速センサによるハードウェアの改善は、パルス持続時間の短縮を目指しているが、残留するパイルアップは避けられない。標準的な最適フィルタリングや$\chi^2$ベースの棄却を含む既存の解析手法は、パルス間の時間間隔が信号の立ち上がり時間よりも短い場合（検討された検出器では$\Delta t < 0.8$ ms）、識別能が低下する。このため、信号効率を犠牲にすることなくバックグラウンドを低減するための、高度なソフトウェアベースの識別手法が必要となる。

手法
著者らは、信号の周波数領域における記述に基づき、パイルアップ識別用の最適化デジタルフィルタを導出するためのフレームワークを提案している。この手法は以下の仮定に基づいている：

1. 完全に既知であり、エネルギーに依存しない検出器のインパルス応答 $s(t)$。
2. パワースペクトル密度 $P_N(\omega)$ で特徴付けられる、定常かつ平均ゼロのガウス雑音。
3. 相対振幅 $r$ と時間間隔 $\Delta t$ を持つ2つのパルスの和としてモデル化されたパイルアップ事象。

本手法の核心は、測定された信号 $\hat{x}(\omega)$ から導かれる2つの振幅推定値 $X[m_1]$ と $X[m_2]$ の比に基づく識別パラメータ $Y$ を構築することにある：
$$Y = \frac{X[m_1]}{X[m_2]}$$
ここで、$X[m_i]$ は、伝達関数 $H(\omega)$ と重み関数 $m_i(\omega)$ によってフィルタリングされた信号の逆フーリエ変換の実部の最大値である。標準的な最適フィルタ $H(\omega)$ は信号対雑音比（SNR）を最大化するものであり、$m_1(\omega)$ および $m_2(\omega)$ は最適化すべき変数である。

最適化の目標は、固定された単一パルス受容効率 $\epsilon$ の下で、グローバルなパイルアップ誤識別率 $\langle M \rangle$（パイルアップ事象が単一パルスとして誤って分類される確率）を最小化することである。著者らは、PyTorchと自動微分を利用して、重み関数 $m_1(\omega)$ および $m_2(\omega)$ に対して勾配降下法を実行している。この際、これらの関数は周波数ビンに対して離散化された学習可能なパラメータとして扱われる。コスト関数は、$2\nu\beta\beta$事象の期待分布で重み付けされた、時間間隔と振幅比のグリッド上で評価される。

主な貢献

• 最適化フレームワーク： 最適化された周波数領域フィルタを用いて、極低温カロリメータにおけるパイルアップ事象をモデル化、特定、および除去するための、一般的かつ定量的なフレームワークの開発。
• 比ベースの識別子： 2つのフィルタリングされた観測量の相関を利用することで、振幅のゆらぎに対する感度を低減し、単一振幅法と比較して識別能を向上させる、比ベースの識別パラメータの実装。
• 計算実装： GPU加速による効率的なフィルタ学習を可能にする、PyTorchを用いたモジュール化されたPython実装。これは大規模なパラメータグリッドの処理が可能である。
• 系統的検証： パルステンプレートの選択、処理ウィンドウサイズ、パルス位置、およびグリッド離散化から生じる系統誤差に関する包括的な研究。

結果
本手法は、Neganov–Trofimov–Luke（NTL）増幅を備えた光検出器（LD）に結合された、シンチレーティング $Li_2^{100}MoO_4$ 結晶のタワーを運用していたCROSS実験のデータを用いて検証された。

• 性能向上： 先行研究（Eur. Phys. J. C 83(5), 373 (2023) にて提示）と比較して、新しい最適化フィルタは、90%の単一パルス効率において、パイルアップに起因するバックグラウンド指数（BI）を平均で 31% 低減させた。
• バックグラウンド指数： 新しい手法を用いた外挿による平均残留バックグラウンド指数は $5.9 \times 10^{-5}$ cts/keV/kg/yr（中央値：$5.7 \times 10^{-5}$）であり、CUPIDの設計目標である $5.0 \times 10^{-5}$ cts/keV/kg/yrに接近している。
• フィルタ特性： 最適化されたフィルタ $m_1(\omega)$ と $m_2(\omega)$ は、相補的な周波数重み付けを示す。$m_1(\omega)$ は、パイルアップの解像に不可欠な高周波成分を増幅するために1–3 kHzの範囲で上昇する応答を示す一方、$m_2(\omega)$ は、バルクの信号形状を強調するためにこの領域での利得を最小化する。
• 系統誤差： 本研究は、パルステンプレートの選択が結果に大きな影響を与えること（BIに最大13%の変動）を特定した。著者らは、単一の高エネルギーパルスにおける高周波雑音の刻印によるアーティファクトを避けるための保守的な選択肢として、「平均パルス」テンプレートの使用を推奨している。
• 検出器依存性： 検出器の動作点（バイアス電流）に関する予備研究は、動作点の個別最適化によってパイルアップ除去能をさらに向上させられることを示唆しており、異なる検出器間でバックグラウンド除去能に2倍の差が生じることもある。

意義および主張
本論文は、提案された比ベースの識別子が、熱応答の遅い極低温カロリメータに関連する支配的なパイルアップの特徴を捉えていると主張している。これは、ハードウェアの変更なしに解析手法を最適化するための、堅牢かつ計算効率の高いツールを提供する。著者らは、本手法が定常雑音とパルス形状の仮定に依存しているものの、多様な検出器において顕著かつ堅牢なバックグラウンド低減を実現していると述べている。

本研究は、ハードウェア開発（より高速なセンサや改良されたNTL増幅など）に対する補完的な「ソフトウェア・ハンドル」としての位置づけである。著者らは、結果のCUPID実験への外挿は、特にO(1) kHzの範囲における雑音環境に依存すると指摘しており、CUPIDの極低温インフラおよび光検出器性能の将来的なアップグレードにより、さらなる改善が期待されるとしている。本フレームワークは、特定の$^{100}$Mo探索を超えて、様々な検出器技術や実験的文脈に広く適用可能である。