An assay-based background projection for the MAJORANA DEMONSTRATOR using Monte Carlo Uncertainty Propagation

Dit artikel presenteert een nieuw Bayesiaans analysekader met Monte Carlo-onzekerheidspropagatie om de achtergrondindex van het MAJORANA DEMONSTRATOR-experiment te projecteren, wat resulteert in een geschatte waarde van $\left[8.95 \pm 0.36\right] \times 10^{-4}$ tellingen/(keV kg jaar) voor de bijdrage van $^{232}$Th en $^{238}$U.

De kern

Stel je voor dat je probeert een fluisterend geheim te horen in een drukke stad. Dat is wat wetenschappers doen bij het zoeken naar neutrinoloze dubbel-bèta-verval (een heel zeldzaam proces dat ons kan vertellen waar de massa van het universum vandaan komt). Ze bouwen een extreem gevoelige detector (de Majorana Demonstrator) die zo stil moet zijn dat ze zelfs het geluid van een vallend stofje kunnen horen.

Het probleem? De stad is niet stil. Er is overal ruis: straling van het materiaal waar de detector van gemaakt is, straling uit de lucht, en zelfs straling uit de grond. Deze "achtergrondruis" kan het echte signaal verstoppen.

Dit artikel vertelt over een nieuwe, slimme manier om te voorspellen hoeveel van die ruis er precies is, zodat ze weten hoe goed hun detector eigenlijk is. Hier is de uitleg in simpele taal:

1. Het Probleem: De "Ruis" meten

Vroeger deden wetenschappers een simpele som:

• Ze namen een stukje materiaal (bijvoorbeeld koper).
• Ze maten hoe radioactief het was (soms zeiden ze: "Het is minder dan X", een bovengrens).
• Ze deden een computer-simulatie om te zien hoeveel straling die bron zou bereiken.
• Ze telden alles bij elkaar op.

Het probleem hiermee: Soms gaven metingen van hetzelfde materiaal verschillende uitkomsten. Soms was de meting "niets gevonden" (een bovengrens), maar in de simpele som werd dat getal zomaar opgeteld alsof het een zekerheid was. Dit gaf een onnauwkeurige voorspelling. Het was alsof je probeert het gewicht van een tas te schatten door te zeggen: "Deze steen weegt 5 kg, en die andere weegt 'minder dan 10 kg', dus de tas weegt 15 kg." Dat klopt niet helemaal.

2. De Oplossing: Een "Wiskundig Spel" met dobbelstenen

De auteurs van dit artikel hebben een nieuw, slim systeem bedacht dat we Monte Carlo onzekerheidsvoortplanting noemen. Laten we het vergelijken met een spelletje dobbelen.

In plaats van één vast getal te gebruiken voor de radioactiviteit, het gewicht en de efficiëntie van de detector, maken ze verdelingen (een waaier van mogelijke waarden).

• De Radioactiviteit: In plaats van te zeggen "Dit koper is 10 eenheden radioactief", zeggen ze: "Het is waarschijnlijk rond de 10, maar het kan tussen de 8 en 12 liggen." Als ze niets hebben gemeten, zeggen ze: "Het is waarschijnlijk 0, maar het kan tot 5 liggen." Dit wordt weergegeven als een afgesneden Gaussische verdeling (een bergje dat bij 0 stopt).
• Het Dobbelspel: Ze laten een computer 1 miljoen keer "gooien".
  1. De computer pakt willekeurig een radioactiviteitswaarde uit die berg.
  2. Hij pakt een willekeurig gewicht van het materiaal.
  3. Hij pakt een willekeurige efficiëntie (hoe goed de detector het ziet).
  4. Hij doet de som: Radioactiviteit × Gewicht × Efficiëntie = Ruis.
  5. Hij slaat het resultaat op.

Na 1 miljoen worpen hebben ze geen enkel getal, maar een nieuwe berg (een verdeling) die laat zien wat de meest waarschijnlijke hoeveelheid ruis is, en hoe groot de onzekerheid daarover is.

3. Waarom is dit beter?

Stel je voor dat je een bak met ballen hebt. Sommige ballen zijn zwaar (veel straling), sommige zijn licht (weinig straling).

• De oude methode: Je nam de zwaarste bal en de lichtste bal en deed ze bij elkaar op. Je kreeg een ruwe schatting.
• De nieuwe methode: Je schudt de bak, pakt willekeurige ballen, telt ze op, en herhaalt dit een miljoen keer. Je ziet dan precies hoe de verdeling eruitziet. Je ziet bijvoorbeeld dat er een kleine kans is dat de ruis heel hoog is, maar dat de meeste keren het laag is.

Dit is cruciaal omdat:

1. Onzekerheid wordt meegenomen: Als een meting "niets" gaf, telt dat niet als "0", maar als een kans dat er toch iets is. Dit voorkomt dat je de ruis onderschat.
2. Het werkt met "niets": Als een stukje materiaal ver weg staat en de simulatie zegt "geen straling bereikt de detector", geeft de oude methode 0. De nieuwe methode zegt: "Nou ja, met een heel kleine kans bereikt het toch iets." Dit is eerlijker.

4. Wat hebben ze gevonden?

Toen ze dit nieuwe systeem toepasten op de Majorana Demonstrator (de echte detector in een mijn in South Dakota), kregen ze een heel nauwkeurig beeld:

• Ze voorspelden dat de achtergrondruis (de "stadsgeluiden") ongeveer 8,95 eenheden per jaar is.
• Ze wisten ook precies hoe groot de foutmarge was: ± 0,36.
• Ze ontdekten dat de ruis voornamelijk komt van Thorium en Uranium in de materialen (zoals koper, lood en plastic).

De Conclusie in het Kort

Dit artikel is eigenlijk een handleiding voor hoe je onzekerheid omarmt in plaats van hem te negeren.

In plaats van te zeggen: "Onze detector is perfect stil," zeggen ze nu: "Onze detector is waarschijnlijk heel stil, en we weten precies hoe groot de kans is dat er toch een beetje ruis is, omdat we een slimme wiskundige methode hebben gebruikt die rekening houdt met alle twijfels in onze metingen."

Dit helpt de volgende generatie wetenschappers om nog betere detectoren te bouwen, omdat ze precies weten waar ze hun aandacht moeten richten om de ruis nog verder te verlagen. Het is alsof je van een ruwe schets bent gegaan naar een gedetailleerde, 3D-kaart van de ruis, zodat je het echte signaal (het fluisterende geheim) eindelijk kunt horen.

Technische samenvatting

Titel: Een op assay gebaseerde achtergrondberekening voor de Majorana Demonstrator met behulp van Monte Carlo-uncertainty propagatie

1. Het Probleem

Bij het zoeken naar neutrinoloze dubbel-bèta-verval ($0\nu\beta\beta$) is de achtergrondindex (BI) een cruciale parameter voor het bepalen van de gevoeligheid van een experiment. De Majorana Demonstrator, een experiment met verrijkte $^{76}$Ge-detectoren, heeft een gemeten BI van $6.2 \times 10^{-3}$ cts/(keV kg yr) bereikt, wat hoger is dan de oorspronkelijke projectie van $< 8.75 \times 10^{-4}$ cts/(keV kg yr).

De bestaande methoden voor het projecteren van de BI hadden enkele beperkingen:

• Onzekerheidsverwaarlozing: Eerdere projecties combineerden meetwaarden en bovengrenzen (upper limits) uit radiochemische assays (metingen van specifieke activiteit) vaak als vaste getallen, zonder de inherente onzekerheden in de massa, de meetresultaten en de simulatie-efficiëntie correct te propageren.
• Null-efficiënties: Componenten die ver van de detector lagen, hadden in simulaties vaak een efficiëntie van nul. Echter, bij hoge radioactiviteit in deze componenten kan de bijdrage aan de achtergrond toch significant zijn, maar werd deze in eerdere modellen genegeerd of als een harde bovengrens behandeld.
• Discrepanties in assays: Vaak gaven metingen van identieke onderdelen specifieke activiteiten op die niet binnen de foutmarges overeenkwamen. Er was behoefte aan een gestandaardiseerde methode om deze spreiding en bovengrenzen te combineren.

2. Methodologie

De auteurs presenteren een nieuw Bayesiaans raamwerk dat Monte Carlo-uncertainty propagatie (MCUP) gebruikt om de BI te berekenen. In plaats van vaste waarden te gebruiken, worden alle invoerparameters behandeld als kansverdelingen:

• Unificatie van Assay-resultaten:

  • Een gewogen least-squares-methode (gebaseerd op de PDG-richtlijnen) wordt gebruikt om meerdere assay-metingen te combineren.
  • Bovengrenzen (upper limits) worden behandeld als "truncated-at-zero" Gaussische verdelingen. Alleen de strengste 90% C.L. bovengrens wordt meegenomen om onrealistisch lage grenzen te voorkomen bij herhaalde metingen.
  • Een schalingsfactor ($\Sigma$) wordt toegepast op de onzekerheid als de metingen niet overeenkomen ($\chi^2/(N_a-1) > 1$), wat de spreiding in de data correct weerspiegelt.

• Verdeling van Parameters:

  • Specifieke activiteit ($a$): Gemodelleerd als een truncated-at-zero Gaussische verdeling.
  • Massa ($m$): Gemodelleerd als een Gaussische verdeling met een onzekerheid van 1% (voor directe metingen) tot 10% (voor geschatte geometrische massa's).
  • Efficiëntie ($\epsilon$): Dit is de belangrijkste innovatie. In plaats van een enkelvoudige waarde, wordt de efficiëntie afgeleid uit een Gamma-verdeling. Dit gebeurt via Bayesiaanse inferentie op basis van het aantal geobserveerde tellen ($n$) in de simulatie en het aantal gesimuleerde vervalen ($N$). Dit stelt het model in staat om ook bij nul geobserveerde tellen (null-efficiëntie) een waarschijnlijkheidsverdeling te genereren die een zachte bovengrens oplevert, in plaats van een harde nul.

• Monte Carlo Uncertainty Propagation:

  • Er worden $10^6$ "toy experiments" uitgevoerd. Bij elke iteratie wordt een willekeurige steekproef getrokken uit de verdelingen van activiteit, massa en efficiëntie.
  • Deze waarden worden vermenigvuldigd volgens de formule voor de BI: $BI_i \propto a_i \times m_i \times \epsilon_i$.
  • De resulterende verdeling van de BI bevat de gecombineerde onzekerheden van alle bronnen.

3. Belangrijkste Bijdragen

1. Bayesiaans Raamwerk: Een unificerend model dat assay-data, massa-onzekerheden en simulatiestatistieken consistent combineert.
2. Behandeling van Null-Efficiënties: Door de efficiëntie te modelleren als een verdeling (Gamma) in plaats van een puntwaarde, kunnen componenten met geen geobserveerde achtergrondtellingen toch een realistische bijdrage leveren aan de projectie, gebaseerd op het aantal gesimuleerde vervalen.
3. Standaardisatie van Assay-data: Een methode om verschillende meetresultaten en bovengrenzen te combineren, wat essentieel is voor toekomstige experimenten die data van verschillende bronnen gebruiken.
4. Toepassing op Majorana Demonstrator: De eerste volledige projectie van de BI voor de Demonstrator die alle onzekerheden expliciet kwantificeert.

4. Resultaten

De methode werd toegepast op de Majorana Demonstrator voor de isotopen $^{232}$Th en $^{238}$U in de componenten:

• Projectie van de totale BI: De berekende gemiddelde achtergrondindex is $[8.95 \pm 0.36] \times 10^{-4}$ cts/(keV kg yr).
  • Onzekerheid door activiteit (act.): $\pm 0.20 \times 10^{-4}$.
  • Statistische onzekerheid door simulatie (stat.): $\pm 0.16 \times 10^{-4}$.
• Verdeling per vervalreeks:
  • $^{232}$Th bijdrage: $[7.37 \pm 0.22] \times 10^{-4}$ cts/(keV kg yr).
  • $^{238}$U bijdrage: $[1.58 \pm 0.11] \times 10^{-4}$ cts/(keV kg yr).
• Vergelijking met eerdere projecties: De nieuwe projectie is ongeveer 44% hoger dan de oorspronkelijke ontwerp-projectie (die geen onzekerheden berekende). Dit komt voornamelijk doordat componenten met null-efficiënties maar hoge activiteit nu een bijdrage leveren en doordat de onzekerheden in de assays de totale spreiding vergroten.
• Dominante bronnen: De onzekerheid wordt voornamelijk bepaald door de onzekerheid in de specifieke activiteit (assay), niet door de simulatiestatistieken.

5. Betekenis en Conclusie

Deze studie biedt een robuustere en realistischere manier om de achtergrond in zeldzame gebeurtenis-experimenten te voorspellen.

• Voor toekomstige experimenten: Het raamwerk helpt bij het optimaliseren van computerruimte (door te bepalen hoeveel vervalen er gesimuleerd moeten worden) en stelt ontwerpers in staat om massa-onzekerheden en geometrische verschillen tussen ontwerp en werkelijkheid ("as-built") direct op te nemen in de gevoeligheidsberekeningen.
• Wetenschappelijke impact: Door de onzekerheid in de BI correct te propageren, kan de verwachte gevoeligheid voor $0\nu\beta\beta$-experimenten nauwkeuriger worden bepaald. Dit is cruciaal voor het plannen van de volgende generatie experimenten (zoals LEGEND of nEXO) die doelstellingen van $10^{27}-10^{28}$ jaar halfwaardetijd hebben.
• Gemeenschap: De voorgestelde methode voor het combineren van assay-data kan leiden tot gestandaardiseerde rapportage binnen de low-background gemeenschap, wat de vergelijkbaarheid van verschillende experimenten verbetert.

Kortom, het artikel beweegt de achtergrondprojectie van een deterministische schatting naar een probabilistische voorspelling, wat essentieel is voor het begrijpen van de echte fysieke grenzen van deze gevoelige experimenten.