Suppression of Neutron Background using Deep Neural Network and Fourier Frequency Analysis at the KOTO Experiment

Dit artikel presenteert twee analysetechnieken, gebaseerd op een diep convolutioneel neuronaal netwerk en Fourier-frequentieanalyse, die het neutronenachtergrondsignaal bij het KOTO-experiment effectief met een factor $5,6\times10^5$ onderdrukken terwijl de efficiëntie voor het zoeken naar de zeldzame $K^0_L\rightarrow\pi^0\nu\bar{\nu}$-verval op 70% blijft.

De kern

Stel je voor dat je op zoek bent naar een heel zeldzame, glinsterende parel (een foton) in een grote, rommelige zandbak. Maar het probleem is: er zit ook veel gewone, bruine zandkorrels (neutronen) in die zandbak, en sommige van die zandkorrels lijken op de parel als je ze snel bekijkt.

Dit is precies wat de KOTO-experiment doet. Wetenschappers proberen een heel zeldzaam proces te vinden in de natuur: een deeltje genaamd $K^0_L$ dat verandert in twee lichtdeeltjes (fotonen) en twee onzichtbare geesten (neutrino's). Als ze dit kunnen zien, is dat een enorme doorbraak in de natuurkunde.

Het probleem? De "zandkorrels" (neutronen) die uit de straal komen, kunnen ook twee vlekjes maken die eruitzien als de twee lichtdeeltjes. Ze zijn de grootste vijand van deze zoektocht.

Deze paper vertelt over hoe de wetenschappers twee slimme nieuwe methoden hebben bedacht om de parels te vinden en het zand te negeren. Ze gebruiken hiervoor twee digitale "super-oogjes": een Deep Neural Network (een soort kunstmatige intelligentie) en Fourier-analyse (een manier om naar trillingen te kijken).

Hier is hoe het werkt, vertaald naar alledaagse taal:

1. De Camera en de "Vlekken" (Cluster Shape)

Stel je voor dat de detector een gigantisch mozaïek is van 2716 kleine kristallen (zoals tegels). Als een deeltje erin slaat, maakt het een "vlek" op deze tegels.

• De parel (Foton): Als een lichtdeeltje erin slaat, verspreidt het zich als een perfecte, ronde plas water op een tegelvloer. Het is symmetrisch en netjes.
• Het zand (Neutron): Als een neutron erin slaat, is het chaotisch. Het is alsof je een steen in het water gooit en er een onregelmatige, scheve plas ontstaat die ergens anders weer een vlek maakt.

De Oplossing: De AI-Schildwacht
De wetenschappers hebben een Deep Neural Network (een computerprogramma dat leert zoals een mens) getraind. Ze hebben hem duizenden foto's laten zien van de "ronde plasjes" (fotonen) en de "scheve plasjes" (neutronen).

• De AI leert de subtiele verschillen in vorm.
• Het is als een ervaren schilder die na één blik op een schilderij kan zeggen: "Dit is echt Rembrandt" of "Dit is een namaak".
• Resultaat: De AI kan de neutronen (de valse parels) heel goed herkennen en uitsluiten, terwijl hij de echte fotonen laat passeren.

2. De Geluidsgolf (Pulse Shape)

Elke keer als een deeltje de detector raakt, maakt het een elektrische "puls" of een geluidsgolf.

• De parel (Foton): Deze puls is kort en scherp, als een flits van een camera. Het klinkt als een korte "tik".
• Het zand (Neutron): Deze puls heeft een lange, slepende staart. Het klinkt als een "tik... en dan nog een langzame echo".

De Oplossing: De Muziek-Analyzer
Om dit te zien, gebruiken ze Fourier-analyse.

• Stel je voor dat je een geluidsopname hebt. Je kunt het geluid niet alleen horen, maar je kunt het ook ontleden in verschillende tonen (zoals de snaren van een gitaar).
• De "lange staart" van het neutron heeft een heel ander geluid (een ander patroon van tonen) dan de korte flits van het foton.
• De computer kijkt naar deze "muziek" en zegt: "Ah, dit geluid heeft die rare lage tonen die alleen bij neutronen horen. Dit is geen foton!"

Het Grote Resultaat: De Super-Filter

Door deze twee methoden samen te gebruiken (de AI die naar de vorm kijkt en de Muziek-Analyzer die naar de trilling luistert), hebben ze een ondoordringbare muur gebouwd tegen de neutronen.

• De prestatie: Ze hebben de achtergrondruis (de neutronen) met een factor van 560.000 verkleind.
• De prijs: Ze hebben maar heel weinig echte parels (fotonen) kwijtgeraakt. Ze houden nog steeds 70% van de echte signalen over.

Waarom is dit belangrijk?

Voorheen was het alsof je in een stormachtige zee probeerde een klein bootje te zien. De golven (neutronen) waren zo groot dat je het bootje nooit kon zien.
Met deze nieuwe technieken hebben ze de storm stilgelegd. Nu kunnen ze eindelijk heel duidelijk kijken of dat bootje er echt is. Als ze het vinden, betekent het dat we iets nieuws hebben ontdekt over hoe het universum werkt, iets dat zelfs de huidige theorieën niet voorspellen.

Kortom: Ze hebben twee slimme digitale detectives ingezet om de ruis te filteren, zodat ze eindelijk het echte signaal van de natuur kunnen horen.

Technische samenvatting

Probleemstelling

Het KOTO-experiment bij J-PARC (Japan) heeft als doel de zeldzame verval $K_L^0 \to \pi^0 \nu \bar{\nu}$ te detecteren. In het Standaardmodel heeft dit verval een zeer kleine vertakkingsverhouding van ongeveer $3.00 \times 10^{-11}$. De detectie gebeurt door twee fotonen te identificeren die voortkomen uit het verval van het $\pi^0$-deeltje in een Cesiumjodide (CsI) kristalcalorimeter.

Het grootste obstakel voor deze meting is de achtergrond veroorzaakt door neutronen uit de straalhalo. Een enkele halo-neutron kan binnenin de CsI-calorimeter interageren en twee "foton-achtige" hits produceren. Omdat er geen spoor is tussen deze twee hits, kunnen ze verward worden met de twee geïsoleerde fotonen van het gezochte signaal. Traditionele methoden om deze achtergrond te onderdrukken waren niet voldoende effectief voor de gevoeligheid die nodig is voor de 2016-2018 dataperiode.

Methodologie

De auteurs introduceren twee nieuwe, geavanceerde technieken om neutronen van fotonen te onderscheiden, gebaseerd op de unieke interactiekenmerken in de CsI-calorimeter:

1. Cluster-vorm discriminatie (Cluster Shape Discrimination - CSD) met Deep Learning:

   • Principe: Fotonen (elektromagnetische interacties) en neutronen (hadronische interacties) produceren verschillende energiedistributies en timingpatronen in het rooster van CsI-kristallen. Fotonen neigen naar symmetrische, ronde clusters, terwijl neutronen asymmetrische patronen vertonen.
   • Implementatie: Er wordt een Convolutional Neural Network (CNN) gebruikt. De invoer bestaat uit afbeeldingen van de cluster-energie en timing, gecombineerd met de deeltjesrichting ($\theta, \phi$) en energie.
   • Architectuur: Het netwerk bevat vier convolutielagen (om lokale kenmerken te extraheren) en zes dichte lagen (fully connected) voor niet-lineaire classificatie. Er worden L2-regularisatie en dropout toegepast om overfitting te voorkomen.
   • Data: Het model is getraind op Monte Carlo-simulaties voor fotonen en op speciale neutronen-data-runnen (waarbij een aluminiumplaat werd gebruikt om neutronen te verstrooien en de achtergrond te verhogen).

2. Puls-vorm discriminatie (Pulse Shape Discrimination - PSD) met Fourier-analyse:

   • Principe: De analoge puls die wordt gegenereerd door een neutron heeft een langere staart (due to hadronische interacties) vergeleken met de puls van een foton (elektromagnetisch).
   • Implementatie: Er wordt Discrete Fourier-transformatie (DFT) toegepast op de gedigitaliseerde ADC-pulsen (28 samples).
   • Analyse: De amplitude van de vijf laagste frequenties wordt gebruikt om templates te maken voor fotonen en neutronen. Een likelihood-ratio ($R$) wordt berekend voor elke cluster om te bepalen of deze meer foton-achtig of neutron-achtig is.

3. Combinatie en Schatting:

   • De effectiviteit van beide methoden wordt gecombineerd via een event-gewogen methode. De overlevingskans ($W$) van individuele neutronenclusters wordt berekend als functie van energie en invalshoek.
   • De totale achtergrond wordt geschat door de som van deze gewichten over alle neutronen-evenementen in een breder signaalgebied (Wide Signal Box - WSB) op te tellen.

Belangrijkste Bijdragen

• Toepassing van Deep Learning: Eerste succesvolle toepassing van een CNN voor het classificeren van cluster-vormen in een CsI-calorimeter voor dit specifieke experiment.
• Fourier-analyse voor Pulsvorm: Een verbeterde methode voor puls-discriminatie die tweemaal effectiever is dan eerdere technieken (zoals beschreven in referentie [6]).
• Robuuste Achtergrondschatting: De introductie van een nauwkeurige, event-gewogen methode om het resterende neutronenachtergrondniveau te schatten zonder afhankelijk te zijn van directe observatie in het signaalgebied.

Resultaten

De gecombineerde toepassing van CSD en PSD leverde de volgende resultaten op voor de data van 2016-2018:

• Onderdrukking van Neutronen: De neutronenachtergrond werd onderdrukt met een factor van $5.6 \times 10^5$.
• Signaal-efficiëntie: De efficiëntie voor het detecteren van het gewenste $K_L^0 \to \pi^0 \nu \bar{\nu}$ signaal bleef behouden op 69,9% (afgerond 70%).
• Validatie: In het brede signaalgebied (WSB) werden 5973 neutronen-evenementen geselecteerd. Na toepassing van de drempelwaarden (CSD > 0.985, PSD > 0.5) voorspelde de methode slechts $0.0106 \pm 0.0002$ resterende neutronen. In werkelijkheid werden 0 neutronen-evenementen waargenomen, wat de betrouwbaarheid van de schatting bevestigt.
• Vergelijking: De nieuwe methoden presteerden aanzienlijk beter dan de analyse van 2015-data, waarbij de achtergrond met een factor 26 werd gereduceerd.

Betekenis

Deze paper is van cruciaal belang voor de zoektocht naar nieuwe fysica buiten het Standaardmodel. Door de dominante achtergrond (neutronen) extreem effectief te onderdrukken zonder de signaalefficiëntie te verlagen, wordt de gevoeligheid van het KOTO-experiment drastisch verbeterd. Dit stelt de onderzoekers in staat om de grenzen van de vertakkingsverhouding van $K_L^0 \to \pi^0 \nu \bar{\nu}$ verder te verleggen en mogelijk afwijkingen van het Standaardmodel te detecteren, wat zou kunnen wijzen op nieuwe deeltjes of interacties. De succesvolle integratie van deep learning en geavanceerde signaalverwerking in deeltjesfysica vormt ook een blauwdruk voor toekomstige experimenten.