CUORE Data Release for ML Applications: Pulse Shape Analysis Dataset

Technische Samenvatting: CUORE Datavrijgave voor ML-toepassingen

Probleemstelling
Het CUORE-experiment (Cryogenic Underground Observatory for Rare Events) zoekt naar de neutrinovrije dubbel-$\beta$-verval van $^{130}\text{Te}$. Een significante achtergrondbron in deze zoektocht ontstaat door "pile-up"-gebeurtenissen, waarbij twee of meer afzonderlijke deeltjesinteracties energie deponeren binnen hetzelfde 10-seconden venster van een enkele kristalcalorimeter. Deze pile-up-gebeurtenissen kunnen de energiesignatuur van een enkel deeltje nabootsen of de achtergrond nabij de verwachte vervalpiek ($Q_{\beta\beta}$) verstoren. Hoewel de samenwerking reeds natuurkundige methoden heeft vastgesteld om deze gebeurtenissen te identificeren, is er een groeiende vraag naar open wetenschappelijke datasets om algoritmen voor kunstmatige intelligentie en machine learning (AI/ML) te ontwikkelen en te benchmarken voor puls vormanalyse en classificatie in cryogene calorimetrie.

Methodologie en Datasetconstructie
Dit artikel presenteert een gecureerde publieke dataset, afgeleid van CUORE-kalibratiedata, die specifiek is ontworpen om supervised learning-benaderingen voor pulsclassificatie te ondersteunen. De dataset behandelt het binaire classificatieprobleem van het onderscheiden tussen:

• Klasse 0 (Schone Pulsen): Enkelvoudige puls-gebeurtenissen die de standaard thermische pulsvorm vertonen binnen een venster van 10 seconden.
• Klasse 1 (Pile-up Pulsen): Gebeurtenissen die twee of meer pulsen bevatten binnen hetzelfde venster, die in tijd gescheiden kunnen zijn en variërende amplitudes kunnen hebben.

Dataspecificaties:

• Bron: 988 $\text{TeO}_2$ kristalcalorimeters geëxperimenteerd bij $\sim10$ mK.
• Formaat: HDF5-bestanden met in totaal 10.000 gebeurtenissen (5.000 schoon, 5.000 pile-up).
• Golfvormstructuur: Elke gebeurtenis is een 1-dimensionale tijdreeks met een lengte van 10.000, gesampled op 1 kHz. Het venster is gedefinieerd zodanig dat het midden van de getriggerde pulsstijging zich rond index 3000 bevindt, wat $\sim3$ seconden pre-trigger baseline oplevert.
• Labeling: Labels zijn afgeleid van het aantal gemarkeerde pulsen ($n_{\text{pulses}}$) en de genormaliseerde reconstructiefout ($n_{\text{rei}}$) van de CUORE 2 tonne$\cdot$yr puls vorm discriminatie cut. Een label van 0 wordt toegekend als $n_{\text{pulses}}=1$ en $|n_{\text{rei}}| < 10$; een label van 1 wordt toegekend als $n_{\text{pulses}} > 1$ en $|n_{\text{rei}}| > 10$.
• Normalisatie: Om AI/ML-preprocessing te vergemakkelijken, bevat elke gebeurtenis metadata voor normalisatie: een offset (gemiddelde van de eerste 2.500 samples), een maximumwaarde en een schaalfactor. Het artikel biedt Python-scripts die demonstreren hoe genormaliseerde golfvormen $\tilde{p}_i(t)$ geconstrueerd en afgeklemd kunnen worden naar een bereik van $[0, 1]$.

Belangrijkste Bijdragen

1. Publieke Datasetvrijgave: De samenwerking heeft een subset van haar data vrijgegeven via Zenodo (DOI: 10.5281/zenodo.20721645) in HDF5-formaat, verdeeld in een trainingsset van 90% en een testset van 10%.
2. Gestandaardiseerde Benchmarking: Het artikel stelt een specifieke puls classificatie uitdaging voor. Deelnemers worden uitgenodigd om voorspellingen in te dienen op de apart gehouden testset (waarbij labels worden achterhouden) om te worden geëvalueerd op:
   • Area Under the Receiver Operating Characteristic Curve (AUC-ROC).
   • Classificatienauwkeurigheid.
   • False Positive Rate (FPR) bij een vaste True Positive Rate (TPR) van 90%, een metriek die relevant is voor natuurkundige analyses die vereisen dat signaal-efficiëntie gecontroleerd wordt.
3. Reproduceerbaarheid: De auteurs bieden minimale Python-voorbeelden met behulp van h5py en numpy om de data te laden, te normaliseren en te formatteren voor Conv1D neurale netwerk inputs.

Resultaten en Claims
Het artikel presenteert niet de resultaten van een specifiek machine learning-model dat door de auteurs is getraind, noch claimt het een nieuw record in classificatienauwkeurigheid. In plaats daarvan zijn de "resultaten" die gepresenteerd worden de succesvolle curatie en vrijgave van de dataset zelf. De auteurs beweren dat deze vrijgave dient als een "uitstekende bron" voor de AI/ML-gemeenschap door hoogwaardige, tijdreeks gebaseerde cryogene data te combineren met goed begrepen, natuurkundige labels.

Significantie
De significantie van dit werk ligt in het faciliteren van open wetenschap en de vooruitgang van analysetechnieken voor zeldzame gebeurtenissen. Door een gestandaardiseerde dataset te verstrekken met duidelijke binaire labels (schoon versus pile-up), stelt de CUORE Collaboration de ontwikkeling en het testen van supervised learning-algoritmen voor pulsvormanalyse mogelijk. Dit ondersteunt het bredere doel van het verbeteren van achtergrondreductie in $0\nu\beta\beta$-veralzoek en andere toepassingen die betrokken zijn bij cryogene calorimeters. De auteurs verzoeken expliciet gebruikers om de relevante CUORE natuurkundige resultaten (Ref. [4]) en dit specifieke arXiv-artikel te citeren in alle publicaties die voortvloeien uit het gebruik van deze data.