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

본 연구는 고순도 저마늄 검출기에서 전용 알파 훈련 데이터가 부족할 때 감마선 데이터만으로 훈련된 펄스 모양 판별 분류기가 알파 사건을 효과적으로 식별하고 배제할 수 있음을 보여주어, LEGEND와 같은 차세대 중성미자 없는 이중 베타 붕괴 탐색을 위한 강력한 배경 억제 전략을 제시합니다.

핵심

상상해 보세요. 매우 시끄러운 방에서 단 하나의 완벽한 속삭임을 들어보려 한다고요. 이것이 바로 과학자들이 '중성미자 없는 이중 베타 붕괴'라는 희귀한 현상을 탐색할 때 수행하는 일입니다. 그들은 순도 높은 저마늄 결정으로 만든 매우 민감한 마이크 (검출기) 를 사용하여 이러한 속삭임을 포착합니다.

그러나 방에는 다른 소음들이 가득합니다:

1. "나쁜" 소음: 때로는 감마선 (방사선의 일종) 이 멈추기 전까지 방 안을 여러 번 튕겨 다닙니다. 이는 방의 구석구석에서 사람들이 박수를 치는 것과 같습니다. 과학자들은 이러한 소음을 무시하고 싶어 합니다.
2. "침입자" 소음: 때로는 알파 입자 (작고 무거운 방사성 입자) 가 마이크 표면 바로 위에 떨어집니다. 이는 누군가 손가락으로 마이크를 직접 두드리는 것과 같습니다. 이들은 과학자들이 찾고 있는 "속삭임"과 매우 유사한 소리를 만들어내어, 과학자들이 실제로는 발견하지 못한 것을 발견한 것으로 오인하게 할 수 있습니다.

문제

일반적으로 컴퓨터에게 "나쁜 소음" (감마선) 을 무시하는 법을 가르치기 위해 과학자들은 그러한 소리 수천 개의 예시를 보여줍니다. 하지만 "침입자" 소음 (알파 입자) 의 경우 함정이 있습니다: 실제 실험에서 이러한 침입자들은 너무 희귀하여 컴퓨터에게 그들이 어떤 모습인지 가르칠 만큼 충분한 수가 존재하지 않습니다.

이 논문이 제기하는 큰 질문은 다음과 같습니다: 실제 침입자를 한 번도 보여주지 않고 "나쁜 소음" (감마선) 만 보여줌으로써 컴퓨터에게 "침입자"를 찾아내도록 가르칠 수 있을까요?

실험

연구자들은 고도의 기술을 갖춘 저마늄 검출기 ("BEGe" 유형) 를 설치하고 두 가지 작업을 수행했습니다:

1. 훈련: 연구자들은 검출기에 감마선 (토륨 원천 사용) 을 폭격하여 두 가지 다른 컴퓨터 프로그램 ("다층 퍼셉트론"과 "프로젝티브 가능도" 분류기) 에게 단일 반사 (좋은 것) 와 다중 반사 (나쁜 것) 를 구별하는 법을 가르쳤습니다.
2. 테스트: 그 다음, 폴로늄 (알파 방출체) 원천을 검출기 표면에 직접 놓았습니다. 이는 수천 개의 "침입자" 사건을 생성했습니다. 그들은 컴퓨터에게 물었습니다: "이봐, 너는 감마선으로부터 배웠지. 이제 이 알파 입자들을 찾아내고 거부할 수 있니?"

결과

컴퓨터 프로그램들은 놀라울 정도로 잘해냈습니다.

• "똑똑한" 필터: 가장 좋은 방법인 인공 신경망 (다층 퍼셉트론 또는 MLP 라고 함) 은 초지능의 문지기처럼 행동했습니다.
• 좋은 것 유지: 그것은 그들이 원하는 신호와 유사한 단일 위치 감마 사건인 "속삭임"의 80% 이상을 유지했습니다.
• 나쁜 것 거부: 그것은 "박수"인 다중 위치 감마 사건의 80% 이상을 걸러냈습니다.
• 침입자 축출: 가장 중요한 점은, 그것은 알파 입자를 놀라운 효율성으로 거부했다는 것입니다. 그것은 통과한 하나에 대해 27,000 개 이상의 알파 입자를 걸러냈습니다.

비유

검출기를 보안 카메라라고 생각해 보세요.

• 감마선은 문으로 걸어가는 사람들과 같습니다; 때로는 한 사람이 걸어가고 (좋은 것), 때로는 무리가 함께 걸어갑니다 (나쁜 것). 카메라는 무리를 찾아내는 법을 배웁니다.
• 알파 입자는 문 바로 옆 창문을 통해 기어오르려 하는 사람과 같습니다.
• 이 논문은 문에서 "무리"를 찾아내는 법을 배움으로써, 카메라가 훈련 동안 한 번도 기어오르는 사람을 보지 않았음에도 불구하고 창문에서의 "기어오르는 사람"을 찾아내는 법도 배웠음을 보여줍니다.

결론

이 논문은 검출기가 이러한 침입자들을 거부하는 법을 가르치기 위해 희귀한 "침입자" 예시들의 거대한 도서관이 필요하지 않다고 결론 내립니다. 더 흔한 "나쁜 소음" (감마선) 만으로 시스템을 훈련시킴으로써, 머신러닝 알고리즘은 자연스럽게 "침입자" (알파 입자) 도 찾아내는 법을 배웁니다.

이는 텍스트에서 언급된 LEGEND 프로젝트와 같은 미래 실험들에게 큰 승리입니다. 왜냐하면 이는 소프트웨어를 훈련시키기 위해 희귀한 알파 사건들을 충분히 수집할 때까지 수년을 기다릴 필요 없이 더 깨끗하고 민감한 검출기를 구축할 수 있음을 의미하기 때문입니다. "똑똑한 필터"는 이미 가지고 있는 데이터만을 사용하여 즉시 작동합니다.

기술 요약

기술 요약: BEGe 형 HPGe 검출기에서 $\alpha$ 사건 기각을 위한 펄스 형태 판별

문제 제기
고순도 게르마늄 (HPGe) 검출기는 중성미자 없는 이중 베타 붕괴 ($0\nu\beta\beta$) 탐색 (예: LEGEND 실험) 을 포함한 희귀 사건 탐색의 핵심 요소입니다. 이러한 검출기는 뛰어난 에너지 분해능과 본질적 순도를 제공하지만, 여전히 배경 사건에 취약합니다. 특정 과제는 $^{210}\text{Po}$ 및 $^{226}\text{Ra}$과 같은 표면 오염물질에서 방출되는 $\alpha$ 입자의 기각입니다. 이러한 방출체가 검출기의 얇은 $p^+$ 접점에 위치할 경우, $\alpha$ 입자는 활성 부피 내에서 에너지의 일부를 침적하여 $Q_{\beta\beta}$ 값인 2039 keV 주변의 관심 영역 (ROI) 을 모방할 수 있는 신호를 생성합니다.

기존의 펄스 형태 판별 (PSD) 기법은 단일 지점 사건 (SSE, 신호 유사) 과 다중 지점 사건 (MSE, 배경 유사 $\gamma$선) 을 구별하는 데 효과적입니다. 그러나 $\alpha$ 사건 또한 일반적으로 SSE 와 유사하므로, 표준적인 $\gamma$ 기반 PSD 컷을 사용하여 기각하기 어렵습니다. 또한, 저배경 실험에서는 실험 기간 동안 관측된 $\alpha$ 사건의 총수가 $\alpha$ 기각을 위한 전용 분류기를 훈련하기에 너무 적은 경우가 많습니다. 본 연구의 핵심 문제는 전적으로 고통계 $\gamma$선 데이터 (SSE 대 MSE) 로 훈련된 PSD 분류기가 전용 $\alpha$ 훈련 데이터 없이도 $\alpha$ 사건을 효과적으로 식별하고 기각할 수 있는지 여부입니다.

방법론
본 연구는 포인트 컨택트 브로드 에너지 게르마늄 (BEGe) 검출기를 활용했습니다. 표면에서 두 가지 측정 캠페인이 수행되었습니다:

1. 저통계 (LS): $\sim$0.1 Bq 의 $^{209}\text{Po}$ 소스를 사용하여 $\sim 1.36 \times 10^5$개의 $\alpha$ 사건을 얻음.
2. 고통계 (HS): $\sim$1 Bq 의 $^{210}\text{Po}$ 소스를 사용하여 $\sim 1.87 \times 10^6$개의 $\alpha$ 사건을 얻음.

두 캠페인 모두에서, 표면 오염을 시뮬레이션하기 위해 증착된 폴로늄이 포함된 금 박막을 검출기의 $p^+$ 접점에 직접 배치했습니다. $^{228}\text{Th}$ 소스를 이용한 보정 실행은 PSD 분류기 훈련을 위한 데이터를 제공했습니다.

두 가지 기계 학습 (ML) 접근 방식이 조사되었습니다:

• 프로젝티브 가능도 (PLK): 입력 특징 간의 통계적 독립성을 가정하는 나이브 베이즈 분류기.
• 다층 퍼셉트론 (MLP): ReLU 활성화 함수를 은닉층에, 시그모이드를 출력층에 사용하여 6 개의 밀집층 (차원: 64-32-16-8-4-1) 을 가진 순방향 인공 신경망.

입력 특징 및 훈련:

• 입력은 원시 파형의 상승 에지 (현재 최대값 전 32 샘플, 현재 최대값 1 샘플, 현재 최대값 후 31 샘플) 에서 추출된 64 개의 점으로 구성되었습니다.
• 훈련 데이터셋은 $^{228}\text{Th}$ 보정 실행에서 구성되었으며, SSE(이중 탈출 피크, 콤프턴 에지) 와 MSE(단일 탈출 피크, 전체 에너지 피크, 다중 콤프턴 산란) 클래스를 정의하기 위해 특정 에너지 영역을 선택했습니다.
• SSE 및 MSE 정의에 사용된 특정 피크를 달리한 6 가지 다른 훈련 구성 (TC1–TC6) 이 테스트되었습니다.
• 벤치마크로 전통적인 A/E(진폭/에너지) 분류기가 사용되었습니다.

주요 결과
분류기는 SSE 생존 (신호 효율), MSE 기각 (배경 억제), 그리고 $\alpha$-기각 인자라는 세 가지 지표를 기반으로 평가되었습니다.

1. $\gamma$ 배경에 대한 성능: 두 ML 방법 모두 SSE 와 MSE 사건을 성공적으로 분리했습니다. 이중 탈출 피크 (DEP) 로 훈련된 구성은 일반적으로 콤프턴 에지 (CE) 로 훈련된 구성보다 우수한 성능을 보였습니다. MLP 는 GERDA 및 LEGEND 의 이전 결과와 일치하거나 이를 초과하는 SSE 생존 분율 $>80\%$와 MSE 생존 분율 $<20\%$를 달성했습니다.
2. $\alpha$ 기각에 대한 성능: 결정적으로, 오직 $\gamma$ 데이터로만 훈련된 분류기가 $\alpha$ 사건을 강력하게 기각하는 능력을 보여주었습니다.
   • MLP: 전반적으로 가장 우수한 성능을 달성했습니다. HS 실행 (TC2 구성) 의 경우, 높은 신호 효율을 유지하면서 90% 신뢰 수준에서 $\alpha$-기각 인자 $> 2.71 \times 10^4$를 달성했습니다.
   • PLK: 효과적이었으나, 기각 인자의 하한선 측면에서 MLP 보다 성능이 약간 낮았습니다.
   • A/E: 전통적인 A/E 방법은 현저히 약한 $\alpha$ 기각 (인자 $\sim 54$) 을 보였으며, 스펙트럼에 잔류 $\alpha$ 피크가 여전히 가시적으로 남았습니다.
3. 파형 분석: 본 연구는 $\alpha$ 사건이 일반적으로 신호 밴드보다 낮은 MLP 점수에 군집하는 것을 관찰했습니다. 그러나 접점 가장자리 근처에서 발생한 사건으로 인해 전체의 약 1% 에 해당하는 $\alpha$ 사건의 2 차 군집이 신호 밴드 근처에 나타났습니다. 그럼에도 불구하고 최적의 컷 값은 대부분의 $\alpha$ 사건을 억제하면서 승수 (Figure of Merit, FoM) 를 극대화했습니다.

의의 및 주장
본 논문은 HPGe 검출기에 대한 견고한 펄스 형태 판별이 오직 $\gamma$ 사건에서 유래된 훈련 정보를 사용하여 달성될 수 있다고 주장합니다. 이 발견은 이러한 사건의 희소성으로 인해 전용 $\alpha$ 훈련 데이터를 사용할 수 없는 차세대 $0\nu\beta\beta$ 실험 (LEGEND 등) 에 실용적인 전략을 제공한다는 점에서 중요합니다.

저자들은 다음과 같이 결론 내립니다:

• $\alpha$ 기각을 위한 별도의 전용 분류기를 개발할 필요가 없습니다.
• $\gamma$ 데이터로 최적화된 단일 PSD 컷은 다중 지점 $\gamma$ 배경과 표면 $\alpha$ 배경을 동시에 고효율로 억제할 수 있습니다.
• 이 이중 목적 기각을 위해 MLP 접근 방식은 PLK 와 전통적인 A/E 방법 모두보다 우수합니다.

본 연구는 표면 측정 조건 (더 높은 뮤온 배경) 과 캠페인 간의 특정 검출기 구성 (JFET 교체) 을 포함한 한계를 인정합니다. 저자들은 지하에서 실험을 반복하면 배경을 더욱 줄일 수 있으며, 이를 통해 $10^5$ 수준의 $\alpha$-기각 인자를 달성할 가능성이 있다고 제안합니다.