Afterpulse prediction for SUBMET experiment

Dit artikel presenteert een methode om de snelheid van na-pulsen in het SUBMET-experiment te voorspellen op basis van meetbare parameters, waardoor de betrouwbaarheid van achtergrondberekeningen voor millicharged deeltjes wordt verbeterd.

De kern

De SUBMET-experiment: Het voorspellen van de "Echo's" in een donkere kamer

Stel je voor dat je in een heel grote, donkere kamer staat en je probeert een heel zacht gefluister te horen. Maar er is een probleem: elke keer als er iemand hard schreeuwt (een "groot signaal"), begint de kamer erna te gillen met een reeks van kleine, verwarrende echo's. Deze echo's klinken precies hetzelfde als het gefluister dat je eigenlijk zoekt. Als je die echo's niet kunt onderscheiden, denk je dat je het gefluister hoort, terwijl het eigenlijk maar een echo is.

Dit is precies wat er gebeurt in het SUBMET-experiment. Wetenschappers zoeken naar een heel speciaal soort deeltje (een "millicharged particle") dat misschien wel donkere materie is. Ze gebruiken een detector die bestaat uit 160 kleine "kamers" (modules). Elke kamer heeft een lichtgevoelige sensor (een fotomultiplicatorbuis of PMT).

Het Probleem: De "Nabijheidseffecten"

Wanneer een hoog-energetisch deeltje door de sensor schiet, geeft het een heel groot, fel lichtsignaal. Maar de sensor is niet perfect. Door een chemisch proces in de sensor, blijven er na dat grote lichtsignaal nog wat "restjes" achter. Deze restjes veroorzaken kleine, vertraagde lichtflitsjes die we afterpulses (na-pulsen) noemen.

In het SUBMET-experiment zijn deze na-pulsen een groot probleem:

1. Ze komen kort na het grote signaal.
2. Ze lijken precies op het echte signaal dat de wetenschappers zoeken (een enkel foton).
3. Ze maken het moeilijk om te zeggen: "Is dit nu een nieuw deeltje, of is het gewoon een echo van iets anders?"

De Oplossing: Een Voorspellingsformule

De auteurs van dit paper hebben een slimme manier bedacht om deze echo's te voorspellen, zodat ze ze kunnen aftrekken van hun data. Ze hebben een soort "Echo-voorspeller" gebouwd.

Hoe werkt deze voorspeller? Ze hebben twee belangrijke regels ontdekt:

1. Hoe harder de schreeuw, hoe meer echo's:
   Als het oorspronkelijke signaal (de "schreeuw") heel groot is (een groot oppervlak in de grafiek), dan zijn er veel meer echo's. Als het signaal klein is, zijn er weinig echo's. Het is alsof je weet: "Als die persoon 100 meter hard schreeuwt, krijg ik waarschijnlijk 50 echo's. Schreeuwt hij 200 meter, krijg ik er 100." Ze hebben gekeken of dit lineair gaat (rechtlijnig) of exponentieel (sneller groeiend), en beide werken goed.

2. De echo's worden steeds zwakker naarmate de tijd vordert:
   De echo's komen niet allemaal tegelijk. Ze komen direct na het grote signaal en worden dan steeds minder frequent, net als een bel die je laat rinkelen. Eerst klinkt het hard, dan zachtjes, en dan heel zachtjes. De snelheid waarmee ze verdwijnen is voor elke sensor anders, maar ze kunnen dit precies meten.

De Methode in Stappen

De wetenschappers hebben 50.000 gebeurtenissen geanalyseerd om hun formule te bouwen:

• Stap 1: Ze keken naar het grote signaal en telden hoeveel echo's er daarna kwamen.
• Stap 2: Ze maakten een formule die zegt: "Gegeven de grootte van het grote signaal, hoeveel echo's verwachten we?"
• Stap 3: Ze keken hoe snel die echo's verdwenen in de tijd en voegden dat ook aan de formule toe.

Het resultaat? Hun formule kan het aantal echo's voorspellen met een nauwkeurigheid van ongeveer 20%. Dat klinkt misschien niet perfect, maar in de wereld van deeltjesfysica is dat een enorme verbetering. Het betekent dat ze nu veel beter kunnen zeggen: "Oké, we zagen 100 flitsjes, maar onze formule zegt dat 80 daarvan echo's waren. Dan blijven er 20 echte signalen over die we moeten onderzoeken."

Waarom is dit belangrijk?

In het experiment komen er heel veel grote signalen voor (meer dan 70% van de tijd). Zonder deze voorspelling zouden ze al die data moeten weggooien omdat ze niet zeker weten of het echte deeltjes zijn of echo's. Met deze "Echo-voorspeller" kunnen ze die data veilig gebruiken.

Kort samengevat:
De wetenschappers hebben een slimme rekenmethode bedacht om de "echo's" van hun apparatuur te voorspellen. Door te weten hoeveel echo's er te verwachten zijn op basis van de grootte van het oorspronkelijke signaal, kunnen ze deze ruis filteren en de kans vergroten dat ze het echte, zeldzame gefluister van de donkere materie horen.

Technische samenvatting

Technische Samenvatting: Voorspelling van Afterpulses voor het SUBMET-experiment

1. Het Probleem
Het SUB-Millicharge ExperimenT (SUBMET) zoekt naar millicharged deeltjes (χ) met een massa $m_\chi < 1.6 \text{ GeV/c}^2$ en een lading $Q_\chi < 10^{-3}e$. De detector bestaat uit 160 modules, elk bestaande uit een plastic scintillator (Eljen-200) gekoppeld aan een fotomultiplicatorbuis (PMT, type Hamamatsu R7725).

Een kritiek probleem bij de dataverzameling is het fenomeen van afterpulses. Wanneer een energierijk deeltje een grote puls in de PMT genereert, kunnen geïoniseerde gasverontreinigingen tussen de photocathode en de dynodes later (na enkele honderden nanoseconden) secundaire foto-elektronen genereren.

• Impact: Deze afterpulses zijn vaak ononderscheidbaar van het gewenste signaal: single photoelectron (SPE) pulsen.
• Risico: Dit leidt tot een verhoogde achtergrondsnelheid, wat de betrouwbaarheid van de achtergrondschattingen en de detectie van zeldzame millicharged deeltjes ondermijnt.
• Context: De protonenbundel van J-PARC bestaat uit acht bunches met een onderlinge afstand van ~600 ns. Afterpulses van een "grote puls" in de ene bunch kunnen overlappen met SPE-signalen in de daaropvolgende bunches.

2. Methodologie
De auteurs hebben een model ontwikkeld om de afterpulse-rates te voorspellen op basis van meetbare parameters. De methode omvat de volgende stappen:

• Dataverzameling: Er zijn 50.000 gebeurtenissen verzameld met een aangepaste triggervertraging om een tijdvenster van 4 µs na de laatste bunch te bestuderen. De data is opgesplitst: de helft voor het fitten van modelparameters, de helft voor validatie.
• Filtering: Het gebied direct na een grote puls (0–720 ns, "Region 1") is uitgesloten vanwege signaalfluctuaties. De analyse focust zich op het venster $t \in [720 \text{ ns}, 3475.2 \text{ ns}]$.
• Kernobservaties:
  1. Afhankelijkheid van pulsarea: Het aantal afterpulses ($n$) vertoont een positieve correlatie met het oppervlak (area, $A$) van de initiële grote puls.
  2. Tijdsstructuur: Het aantal afterpulses neemt exponentieel af naarmate de tijd ($\Delta t$) na de grote puls toeneemt. De tijdsconstante ($\tau$) is module-specifiek maar onafhankelijk van de pulsarea.
• Het Voorspellingsmodel:
  De snelheid van afterpulses ($dn/dt$) wordt gemodelleerd als:
  $$\frac{dn}{dt} = \frac{1}{\tau} n_0(A) \exp(-t/\tau)$$
  Waarbij $n_0(A)$ de initiële hoeveelheid afterpulses is, afgeleid uit de pulsarea. Twee benaderingen voor $n_0(A)$ werden getest:
  • Lineair model: $n_{pred} = p_0 + p_1 A$
  • Exponentieel model: $n_{pred} = \exp(p_0 + p_1 A)$
    De parameters ($p_0, p_1, \tau$) worden per module individueel geoptimaliseerd.

3. Belangrijkste Bijdragen

• Ontwikkeling van een voorspellingsformule: Een wiskundig model dat de afterpulse-rates voorspelt op basis van de pulsarea en de module-specifieke tijdsconstante.
• Validatie van twee modellen: Het vergelijken van lineaire versus exponentiële afhankelijkheid van de pulsarea, waarbij beide modellen vergelijkbare nauwkeurigheid tonen.
• Integratie in data-analyse: De methode stelt onderzoekers in staat om gebeurtenissen met grote pulsen (die normaal gesproken zouden worden weggefilterd) toch te gebruiken in de analyse, mits de afterpulse-bijdrage correct wordt gesubtrekt.

4. Resultaten

• Nauwkeurigheid: Het model reproduceert de waargenomen afterpulse-rates met een precisie van ongeveer 20%.
• Statistische Overeenkomst: De verdeling van de verkleinde $\chi^2$ (chi-kwadraat) per module toont een gemiddelde van ongeveer 0,73 voor het lineaire model en 0,75 voor het exponentiële model, wat aangeeft dat beide modellen de data goed beschrijven.
• Parameterwaarden: De tijdsconstante $\tau$ varieert per module met een gemiddelde van 1450 ns en een standaardafwijking van 140 ns.
• Modelkeuze: Vanwege de vergelijkbare prestaties en eenvoudigheid is het lineaire model geselecteerd voor verdere analyses (zoals achtergrondschattingen bij beam-on en beam-off).

5. Significantie
Dit werk is cruciaal voor het succes van het SUBMET-experiment om de volgende redenen:

• Achtergrondreductie: Door afterpulses nauwkeurig te voorspellen, kan het experiment de achtergrond beter modelleren en reduceren, wat de gevoeligheid voor het detecteren van millicharged deeltjes verhoogt.
• Datagebruik: Meer dan 70% van de botsingsgebeurtenissen bevat minstens één grote puls. Zonder deze correctie zouden deze gebeurtenissen onbruikbaar zijn voor de zoektocht naar nieuwe fysica. Het model maximaliseert dus de bruikbare dataset.
• Betrouwbaarheid: De methode biedt een robuuste manier om systematische onzekerheden gerelateerd aan PMT-achtergronden te beheersen, wat essentieel is voor het bevestigen van zeldzame signalen in een ruisrijke omgeving.

Kortom, de paper presenteert een effectieve, data-gedreven oplossing voor een veelvoorkomend detectorprobleem, waardoor de betrouwbaarheid van de achtergrondschattingen in het SUBMET-experiment aanzienlijk verbetert.