Trigger Optimization and Event Classification for Dark Matter Searches in the CYGNO Experiment Using Machine Learning

Dit artikel beschrijft twee machine learning-benaderingen voor het CYGNO-experiment: een onbewaakte autoencoder voor efficiënte online datareductie en een zwaktoezicht-gebaseerde CWoLa-classificatie voor het identificeren van kernstootjes in donkere-materiezoekopdrachten.

De kern

Stel je voor dat je probeert een heel klein, zacht fluisterend geluid te horen in een enorme, drukke fabriekshal die vol staat met machines die hard tekeer gaan. Dat is precies wat wetenschappers doen bij het CYGNO-experiment: ze zoeken naar donkere materie (een mysterieus soort stof waar het heelal van gemaakt is, maar die we niet kunnen zien).

Het probleem is dat hun "microfoon" (een speciale camera die licht registreert) gigantische foto's maakt van de fabriekshal. Op deze foto's zit het echte signaal (het fluisterende geluid van een donkere deeltje) vaak verstopt tussen miljoenen pixels ruis (het lawaai van de machines). Als ze elke foto volledig opslaan, wordt hun computer overbelast en kunnen ze niet snel genoeg reageren.

In dit paper beschrijven ze twee slimme manieren om dit probleem op te lossen met kunstmatige intelligentie (AI). Hier is hoe het werkt, vertaald naar alledaagse taal:

1. De "Slimme Viltstift" (Onbewaakte Anomalie-detectie)

Het probleem: De camera maakt foto's van een leegte die vol zit met statische ruis (zoals sneeuw op een oude tv). Als er een deeltje doorheen vliegt, zie je een klein, vaag spoor. Maar het spoor is zo klein dat het verloren gaat in de enorme foto.

De oplossing: Ze hebben een AI getraind die alleen maar "lege" foto's heeft gezien (foto's zonder deeltjes, alleen ruis).

• De analogie: Stel je voor dat je een kind leert hoe een leeg, wit vel papier eruitziet. Je geeft het duizenden foto's van dat lege papier. Als je nu een foto geeft waarop iemand met een potlood een klein stipje heeft getekend, zal het kind zeggen: "Wacht, hier klopt iets niet! Hier is een stipje!"
• Hoe het werkt: De AI (een "Autoencoder") leert de "ruis" van de camera perfect na te bootsen. Als er een nieuw beeld binnenkomt, probeert de AI het te tekenen. Waar de AI faalt (omdat er een echt deeltje is dat niet op de ruis lijkt), ontstaat er een "foutkaart".
• Het resultaat: In plaats van de hele gigantische foto op te slaan, knipt de AI alleen het kleine stukje uit waar het stipje zit. Ze houden 93% van het belangrijke signaal vast, maar gooien 98% van de nutteloze ruis weg. Dit gaat razendsnel (in 25 milliseconden), net zo snel als een knippering van een oog.

2. De "Mooie Dans" (CWoLa: Classificatie zonder Labels)

Het probleem: Nu ze de kleine stukjes hebben, moeten ze weten: is dit een donker-deeltje (een "goede" danser) of een gewone elektron (een "slechte" danser)? Het probleem is dat ze niet precies weten welke welke is. Ze hebben geen lijstje met antwoorden.

De oplossing: Ze gebruiken een trucje genaamd CWoLa (Classificatie Without Labels).

• De analogie: Stel je voor dat je twee grote bakken met fruit hebt.
  • Bak A bevat 100% appels.
  • Bak B bevat een mengsel van appels en peren (je weet niet precies welke peer waar zit, maar je weet dat er peren in zitten).
  • Je vraagt een AI om te kijken naar de fruitstukken in Bak B en te zeggen: "Welke van deze lijken het meest op de peren?" De AI hoeft niet te weten welke peer het is, hij moet alleen leren het verschil te zien tussen de pure appels (Bak A) en het mengsel (Bak B).
• Hoe het werkt: Ze nemen een dataset met alleen achtergrondruis en een dataset met een neutronenbron (die zowel "slechte" als "goede" deeltjes produceert). De AI leert automatisch de vorm van de "goede" deeltjes (donkere materie-achtige sporen) te herkennen, simpelweg omdat die vorm vaker voorkomt in de mengsel-dataset dan in de pure ruis-dataset.
• Het resultaat: De AI vindt een groepje deeltjes die eruitzien als kleine, ronde balletjes (zoals een tennisbal). Dit is precies hoe donkere materie eruit zou moeten zien. De AI is zo goed dat hij bijna het theoretische maximum haalt van wat mogelijk is met deze data.

Waarom is dit belangrijk?

Voorheen moesten wetenschappers alles handmatig controleren of alles opslaan, wat te traag en te duur was. Met deze twee AI-methoden kunnen ze:

1. Snel filteren: Alleen het interessante bewaren en de rest weggooien (zoals het schrappen van ruis in een gesprek).
2. Slim leren: Zelfs zonder een antwoordboekje kunnen ze de "goede" deeltjes vinden uit een brij van "slechte" deeltjes.

Dit maakt het CYGNO-experiment veel slimmer en sneller, waardoor de kans groter wordt dat ze eindelijk die ene, zeldzame "fluistering" van donkere materie horen in het lawaai van het universum.

Technische samenvatting

Titel

Trigger-optimalisatie en gebeurtenisclassificatie voor donkere-materiezaken in het CYGNO-experiment met behulp van Machine Learning.

1. Het Probleem

Het CYGNO-experiment gebruikt een optisch uitgelezen Tijdprojectiekamer (TPC) gevuld met een He-CF4-gasmengsel om zeldzame interacties bij lage energieën (1–100 keV) te detecteren, specifiek op zoek naar donkere materie. De kernuitdagingen zijn:

• Data-volume: De optische uitlezing genereert grote, spaarzame megapixel-afbeeldingen. Bij de toekomstige CYGNO-04 demonstrator zou het opslaan van volledige frames leiden tot een datastroom van ongeveer 100 MB/s.
• Real-time verwerking: Traditionele offline reconstructiepijplijnen zijn te traag (orde van seconden per frame) voor trigger-niveau beslissingen.
• Signaal-ruisverhouding: Het fysieke signaal (nucleaire terugstoten, NR) beslaat slechts een klein deel van de pixels, verpakt in gestructureerde ruis (leesruis, vaste patroonartefacten, donkere tellingen).
• Labeltekort: Voor het trainen van klassieke toezichtmodellen ontbreekt vaak gedetailleerde gebeurtenislabels (event-level labels) voor nucleaire terugstoten in kalibratiegegevens.

2. Methodologie

De auteurs presenteren twee complementaire machine learning (ML) strategieën die minimale supervisie vereisen:

A. Ongecontroleerde ROI-extractie (Region of Interest) via Anomaliedetectie

• Doel: Snelle data-reductie en selectie van interessante gebieden in de afbeelding voor online triggers.
• Benadering: Een Convolutional Autoencoder (CAE) wordt getraind uitsluitend op "pedestal"-frames (data opgenomen zonder GEM-versterking, dus puur ruis).
• Werking: Het model leert de morfologie van de detectorruis te reconstrueren. Wanneer een frame met deeltjesinteractie wordt ingevoerd, falen deze structuren lokaal in de reconstructie.
• Anomaliekaart: De pixel-wijze residuen ($r(x) = |x - \hat{x}|$) vormen een anomaliekaart.
• ROI-construktie: Een globale drempelwaarde wordt toegepast op de residuen, gevolgd door morfologische sluiting om fragmenten langs sporen te verbinden. Dit resulteert in compacte "Regions of Interest" (ROI's).
• Architectuur: Een CAE met gestructureerde convoluties, transposed convoluties, skip-connections en een latente representatie van 128 dimensies. Het trainingsdoel is een hybride van Mean Square Error (MSE) en Structural Similarity (SSIM).

B. Zwak-gecontroleerde Classificatie met CWoLa (Classification Without Labels)

• Doel: Discriminatie tussen nucleaire terugstoten (NR, signaal) en elektronische terugstoten (ER, achtergrond) zonder event-level labels.
• Data: Gebruik van een gemengd dataset van een Americium-Beryllium (AmBe) neutronbron (bevat zowel NR als ER) en een standaard dataset (alleen ER/achtergrond).
• Principe: De CWoLa-framework traint een classifier om de twee mengsels van elkaar te onderscheiden. Asymptotisch leert de classifier de optimale discriminator tussen signaal en achtergrond, zelfs zonder te weten welke specifieke gebeurtenis tot welk type behoort.
• Theoretische Limiet: De prestaties worden begrensd door het signaal-aandeel ($\alpha$) in het AmBe-mengsel. Als $\alpha = 32\%$, is de maximale theoretische AUC (Area Under Curve) $0.5 + \alpha/2 \approx 0.66$.
• Model: Een compacte Convolutional Neural Network (CNN) getraind op 128x128 grijswaardenafbeeldingen met de Adam-optimizer en binaire cross-entropy.

3. Belangrijkste Resultaten

ROI-extractie (Anomaliedetectie)

• Signaalbehoud: Het systeem behoudt 93,0% ± 0,2% van de gereconstrueerde signaalintensiteit.
• Data-reductie: Er wordt 97,8% ± 0,1% van het totale beeldoppervlak verwijderd (alleen de ROI's worden bewaard).
• Snelheid: De inferentie-tijd is ongeveer 25 ms per frame op een consument-GPU, wat geschikt is voor online verwerking.
• Stabiliteit: De prestaties liggen op een breed plateau van de trade-off tussen dekking en compressie, wat robuustheid tegen drempelvariaties aangeeft.

CWoLa Classificatie

• Prestaties: De bereikte prestaties benaderen de theoretische limiet van AUC = 0,660 ± 0,005.
• Selectie: Bij het selecteren van gebeurtenissen met een score $> 0,8$ (de NR-gedomineerde staart), worden gebeurtenissen geïsoleerd met:
  • Compacte, ongeveer cirkelvormige morfologieën.
  • Hoge gereconstrueerde dichtheid.
  • Locatie in het NR-bevoordeelde gebied van het energie-dichtheidsvlak.
• Validatie: De resultaten zijn kwalitatief consistent met nucleaire terugstoten; kwantitatieve validatie met gelabelde simulaties is voorbehouden aan toekomstig werk.

4. Bijdragen en Betekenis

• Scalabiliteit: De voorgestelde ML-pijplijnen bieden een haalbare route voor online data-selectie in toekomstige, grootschalige optische TPC's (zoals CYGNO-04), waar traditionele methoden falen door datavolume.
• Minimal Supervision: Het paper demonstreert succesvolle methoden die werken met zeer beperkte supervisie:
  1. Volledig ongecontroleerd leren op ruisdata (pedestal) voor data-reductie.
  2. Zwak-gecontroleerd leren op gemengde datasets voor signaalclassificatie.
• Generaliseerbaarheid: De gebruikte methoden (reconstructie-gebaseerde anomaliedetectie en CWoLa) zijn breder toepasbaar voor het lokaliseren van zeldzame signalen en het uitvoeren van classificatie in andere experimenten voor donkere-materiezaken waar gelabelde data schaars is.
• Efficiëntie: De combinatie van extreme data-reductie (97,8% verkleining) met hoge signaalbehoud (93%) maakt real-time triggersystemen mogelijk zonder verlies van cruciale fysische informatie.

Conclusie

Het paper toont aan dat machine learning, specifiek ongecontroleerde anomaliedetectie en zwak-gecontroleerde classificatie, essentieel is voor de operationele haalbaarheid van het CYGNO-experiment. De ontwikkelde systemen lossen de uitdagingen van megapixel-datastromen op en verbeteren de vermogen om donkere-materie-signaturen (nucleaire terugstoten) te onderscheiden van achtergrondruis, zelfs zonder uitgebreide gelabelde datasets.