Suppression of $^{14}\mathrm{C}$ photon hits in large liquid scintillator detectors via spatiotemporal deep learning

Dit artikel introduceert drie diepe leermodellen, waaronder een gated spatiotemporele grafische neurale netwerken en Transformer-architecturen, om $^{14}$C-fotonhits in grote vloeibare scintillatordetectoren te identificeren en te onderdrukken, waardoor de energieoplossing voor $e^+$-gebeurtenissen aanzienlijk wordt verbeterd.

De kern

De "Geestjagers" in de Ondergrondse Zee: Hoe AI het Signaal Redt van de Ruis

Stel je voor dat je in een gigantisch, ondergronds zwembad zit, gevuld met een speciale vloeistof die licht geeft als er een deeltje doorheen zwemt. Dit is de JUNO-detector, een enorm apparaat in China dat op zoek is naar spookachtige deeltjes uit de ruimte: neutrino's. Om deze te vinden, kijken wetenschappers naar een heel specifiek signaal: een positron (een soort anti-elektron) dat een flits van licht veroorzaakt.

Maar er is een probleem. Het zwembad zit vol met een onzichtbare "ruis".

Het Probleem: De Onzichtbare Ruis (Koolstof-14)

In de vloeistof zit een heel klein beetje van een radioactief isotoop genaamd Koolstof-14 ($^{14}\text{C}$). Deze deeltjes vallen spontaan uit elkaar en geven ook een klein flitsje licht af.

• Het Positron: Een heldere, krachtige flits (als een flitslamp).
• De Koolstof-14: Een heel zwak, piepklein flitsje (als een kaarsje).

Het probleem is dat deze twee flitsjes vaak op precies hetzelfde moment en op dezelfde plek gebeuren. De wetenschappers willen het heldere flitsje zien, maar het kleine kaarsje van de Koolstof-14 "verpest" de foto. Het maakt de meting onnauwkeurig, alsof je probeert een heldere ster te zien door een wazige bril.

In de grote JUNO-detector gebeurt dit heel vaak. De vraag is: Hoe kun je het kleine kaarsje uit de foto knippen zonder het heldere flitsje aan te raken?

De Oplossing: Drie Slimme AI-Detectives

De auteurs van dit paper hebben drie verschillende soorten "AI-detectives" bedacht om dit op te lossen. Ze kijken niet naar het hele zwembad, maar naar elk individueel lichtflitsje (een "hit") en proberen te raden: "Kom jij van het positron, van de Koolstof-14, of is het gewoon ruis?"

Hier zijn de drie detectives, vertaald naar alledaagse termen:

1. De Gated-STGNN: De Slimme Buurman

Stel je voor dat je in een drukke stad bent. Je kijkt naar een persoon (een lichtflitsje) en vraagt je af wie hij is. De "Buurman-detective" kijkt niet alleen naar die ene persoon, maar ook naar de mensen die vlakbij hem staan in ruimte en tijd.

• Hoe het werkt: Hij zegt: "Als deze flitsje heel dicht bij een andere flitsje staat die we weten dat van het positron komt, en ze gebeuren bijna tegelijk, dan is dit waarschijnlijk ook van het positron." Hij gebruikt een slim netwerk om te kijken naar de directe omgeving.
• Sterk punt: Zeer snel en goed in het zien van lokale patronen.

2. De STT-Scalar: De Grote Lijst

Deze detective is een beetje als een hoofdinspecteur die een lange lijst met alle flitsjes in het zwembad doorneemt. Hij kijkt naar elk flitsje en vraagt zich af: "Wat is de lading (hoeveel licht) en waar was je?"

• Hoe het werkt: Hij gebruikt een techniek genaamd "Attention" (Aandacht). Hij kan overal in de lijst naar kijken, niet alleen naar de buren. Hij zegt: "Oké, dit flitsje hier is zwak, maar die andere flitsjes daar zijn ook zwak en gebeuren op een rare tijd. Misschien is dit wel de Koolstof-14!"
• Sterk punt: Hij ziet het hele plaatje, niet alleen de directe buren.

3. De STT-Vector: De Super-Detective met een Krachtige Lens

Dit is de geavanceerde versie van de hoofdinspecteur. Deze detective heeft een superkracht: hij kan niet alleen naar één flitsje kijken, maar hij kan ook samenvatten wat er in de omgeving gebeurt.

• Hoe het werkt: Hij kijkt naar een flitsje en vraagt: "Hoeveel licht is er in de buurt in de laatste 5 nanoseconden? En hoeveel in de 10 nanoseconden daarvoor?" Hij maakt een soort "dichtheidskaart" van het licht rondom het flitsje.
• Sterk punt: Omdat hij ziet hoe het licht zich verspreidt in de tijd en ruimte, is hij de beste in het onderscheiden van het echte signaal van de ruis. Hij is de winnaar in dit experiment.

Wat Vonden Ze?

De detectives werden getest op een simulatie van het JUNO-zwembad.

• Het Resultaat: Ze konden ongeveer 25% tot 48% van de Koolstof-14-flitsjes vinden en verwijderen.
• De Belangrijkste Regel: Ze moesten heel voorzichtig zijn. Als ze per ongeluk een stukje van het positron (het echte signaal) weggooiden, was dat slecht. De AI's waren zo slim dat ze minder dan 1% van het positron-signaal per ongeluk verwijderden.
• De Uitkomst: Door de "Koolstof-14-ruis" weg te halen, werd de energie-meting veel scherper. Het was alsof je de wazige bril afdoet en de sterren weer kristalhelder ziet.

Waarom is dit belangrijk?

Voor de JUNO-experimenten is het cruciaal om de massa van neutrino's precies te meten. Dat vereist een extreme nauwkeurigheid. Zonder deze AI-methode zou de "ruis" van de Koolstof-14 de metingen te onnauwkeurig maken.

Samenvattend:
De wetenschappers hebben drie soorten AI-bedacht die fungeren als super-scherpe camera's. Ze kijken naar een chaos van lichtflitsjes in een ondergronds zwembad en kunnen met grote precisie het "verkeerde" licht (de ruis) filteren, zodat de wetenschappers het "echte" licht van de neutrino's helder en duidelijk kunnen zien. De beste detective (STT-Vector) doet dit het snelst en het nauwkeurigst, waardoor de toekomst van de neutrino-fysiek er veel helderder uitziet.

Technische samenvatting

Titel

Onderdrukking van 14C-fotonhits in grote vloeibare scintillatordetectoren via ruimtetijd-deep learning.

1. Het Probleem

Vloeibare scintillator (LS) detectoren, zoals die gebruikt in het Jiangmen Underground Neutrino Observatory (JUNO), zijn essentieel voor neutrino-experimenten vanwege hun lage energiedrempel en hoge energie-resolutie. Een fundamenteel probleem in deze detectoren is de aanwezigheid van het isotoop Koolstof-14 (14C).

• De Uitdaging: Hoewel de abundantie van 14C in de scintillator minimaal is, ondergaat het verval via bèta-decay, wat scintillatiefotonen produceert. Wanneer deze fotonen binnen hetzelfde data-acquisitievenster vallen als een signaaldeeltje (zoals een positron uit inverse bètaverval van reactor-antineutrino's), veroorzaken ze pile-up.
• Gevolg: Deze 14C-fotonen vervuilen het signaal, wat de energie-resolutie van de detector verslechtert. Dit is kritiek voor precisiemetingen van neutrino-oscillaties.
• Specifieke Complexiteit: In het JUNO-experiment is de energie van het 14C-verval (piek ~40 keV, eindpunt 160 keV) veel lager dan die van het positron-signaal (MeV-schaal). Wanneer de tijdsverschillen klein zijn (overlap in het tijdvenster), is het onderscheid op het niveau van individuele "hits" (fotondetecties) extreem moeilijk, omdat de 14C-hits statistisch worden overweldigd door het positron-signaal en ruis (dark noise).

2. Methodologie

De auteurs stellen drie diep-learning-modellen voor om 14C-hits te identificeren en te taggen op het hit-niveau, specifiek voor gebeurtenissen met één 14C-pile-up en één positron (e+). De data wordt gemodelleerd als een schaarse puntwolk op een sferische geometrie, waarbij elke hit wordt gekenmerkt door ruimtelijke coördinaten $(x, y, z)$, aankomsttijd $(t)$, lading $(q)$ en een waarheidslabel (dark noise, e+, of 14C).

De drie voorgestelde architecturen zijn:

1. Gated Spatiotemporal Graph Neural Network (Gated-STGNN):

   • Concept: Behandelt hits als knopen in een grafiek. Kanten worden gedefinieerd op basis van lokale ruimtetijd-nabijheid.
   • Methode: Gebruikt "message passing" met een Gated Recurrent Unit (GRU) om contextuele informatie te propageren. Het model integreert zowel fijne tijdsdetails als grove tijdsbalken.
   • Voordeel: Benadrukt lokale ruimtetijd-correlaties en is computatie-efficiënter dan Transformer-modellen voor schaarse data.

2. Spatiotemporal Transformer met Scalar Charge Encoding (STT-Scalar):

   • Concept: Behandelt hits als tokens in een sequentie en gebruikt globale self-attention.
   • Methode: Gebruikt de directe lading van elke PMT-hit als invoer. Positionele en tijdsinformatie worden gecodeerd via periodieke encodings.
   • Voordeel: Kan globale afhankelijkheden in de data vangen via self-attention mechanismen.

3. Spatiotemporal Transformer met Vector Charge Encoding (STT-Vector):

   • Concept: Een geavanceerde versie van STT-Scalar, geïnspireerd op de "Particle Transformer".
   • Methode: Verrijkt elke hit-token met een 18-dimensionaal vector-kenmerk dat de ladingdichtheid op verschillende ruimtelijke en tijdschalen samenvat (globale activiteit en lokale dichtheid in specifieke tijdvensters).
   • Voordeel: Dit model kan complexe ruimtelijke en temporele patronen van ladingaccumulatie beter modelleren, wat cruciaal is voor het onderscheiden van 14C van het dominante e+-signaal.

Dataset:

• Gesimuleerde data gebaseerd op de JUNO-configuratie.
• Training: 1 miljoen gebeurtenissen met positron-energieën tussen 0 en 5 MeV.
• Test: 24 onafhankelijke testsets met variaties in positron-energie en vertexpositie (inclusief randeffecten).
• Focus op gebeurtenissen met een tijdsverschil $\Delta t$ tussen 14C en e+ van -100 tot 300 ns (waar de overlap het grootst is).

3. Belangrijkste Resultaten

De modellen werden getraind en geëvalueerd op basis van herinnering (recall) van 14C-hits en het vermijden van verkeerde identificatie (misidentification) van e+-hits of dark noise als 14C.

• Prestatie (Recall en Foutpercentages):
  • De STT-Vector presteerde het best, met een 14C-herinnering (recall) van 25% tot 48% (afhankelijk van de energie en tijdsverschil).
  • STT-Scalar volgde op de tweede plaats, gevolgd door Gated-STGNN.
  • Kritieke Beperking: De modellen behielden een extreem lage misidentificatie van het signaal: minder dan 1% van de e+-hits werd per ongeluk als 14C verwijderd, en minder dan 2% van de dark noise. Dit is cruciaal om het signaal niet te verzwakken.
• Invloed op Energie-resolutie:
  • Door de voorspelde 14C-hits te verwijderen, verbeterde de resolutie van de totale lading ($Q_{sum}$) aanzienlijk.
  • Voor lage energieën ($E_{e+} = 0$ MeV) werd een verbetering van 18% in de energie-resolutie bereikt.
  • Voor hogere energieën ($E_{e+} = 5$ MeV) was de verbetering kleiner (3%), omdat het signaal hier al minder gevoelig is voor 14C-ruis, maar de methode bleef effectief.
  • De verbetering bleef consistent (ongeveer 5-20%) over verschillende detectorposities (van het centrum tot de randen).
• Computatiekosten:
  • De Transformer-modellen (STT) hebben een kwadratische complexiteit ($O(N^2)$) door self-attention, wat leidt tot hogere trainingskosten en geheugengebruik vergeleken met de lineaire complexiteit ($O(N)$) van de Gated-STGNN. Desondanks leverden de Transformer-modellen de beste nauwkeurigheid op.

4. Bijdragen en Relevantie

• Technologische Innovatie: Dit is een van de eerste studies die diep-learning methoden toepast op het probleem van pile-up op het hit-niveau in vloeibare scintillatordetectoren, in plaats van alleen op het niveau van gereconstrueerde energie of jets (zoals vaak bij de LHC).
• Oplossing voor JUNO: De resultaten tonen aan dat het mogelijk is om de energie-resolutie van JUNO te verbeteren door 14C-ruis actief te onderdrukken, wat essentieel is voor het bereiken van de doelstelling van 3% energie-resolutie bij 1 MeV.
• Architectuur Vergelijking: Het paper biedt een gedetailleerde vergelijking tussen grafische netwerken (GNN) en Transformer-architecturen voor schaarse, ruimtetijd-data in deeltjesfysica, waarbij STT-Vector de beste balans biedt tussen nauwkeurigheid en het vermogen om lokale patronen te leren.

5. Conclusie en Toekomstperspectief

De studie concludeert dat spatiotemporele deep learning-modellen, en met name de STT-Vector, zeer effectief zijn in het taggen van 14C-hits in complexe pile-up scenario's zonder het signaal te beschadigen. Hoewel de huidige recall (25-48%) niet 100% is, is de winst in energie-resolutie significant.

Toekomstige werkrichtingen:

• Verbetering van de prestaties in het meest uitdagende tijdsvenster ($\Delta t \in [0, 200]$ ns) door fysisch gemotiveerde beschrijvers toe te voegen.
• Validatie van robuustheid tegen simulatie-data discrepanties (domain shift).
• Integratie van deze hit-selectie in de volledige reconstructieketen van JUNO om de impact op de uiteindelijke energie- en vertex-reconstructie volledig te kwantificeren.

Kortom, dit werk biedt een veelbelovende route om de prestaties van grote neutrino-experimenten te maximaliseren door slimme data-filtering op het laagste detectieniveau.