Suppression of Neutron Background using Deep Neural Network and Fourier Frequency Analysis at the KOTO Experiment

Este artigo apresenta duas técnicas de análise, baseadas em redes neurais profundas e análise de frequência de Fourier, que foram empregadas no experimento KOTO para suprimir o fundo de nêutrons em um fator de $5,6\times10^5$ mantendo 70% de eficiência na busca pelo decaimento raro $K^0_L\rightarrow\pi^0\nu\bar{\nu}$.

O essencial

Imagine que você é um detetive tentando encontrar uma agulha extremamente rara em um palheiro gigante. Essa "agulha" é um evento físico muito especial chamado decaimento de um K0L em dois fótons e dois neutrinos (algo que a natureza faz muito, muito raramente). O "palheiro" é um fluxo constante de partículas que bombardeiam o detector, e o maior problema é que muitas vezes, partículas comuns (como nêutrons) fingem ser a agulha que você procura.

Este artigo do experimento KOTO (feito no Japão) conta a história de como os cientistas criaram dois "super-olhos" inteligentes para separar o sinal real do ruído falso.

Aqui está a explicação simplificada:

1. O Cenário: O Palheiro e a Falsificação

O detector do KOTO é uma parede gigante feita de cristais de Iodeto de Césio (CsI), como um mosaico de 2.700 peças. Quando uma partícula bate neles, eles brilham e produzem um sinal elétrico.

• O Alvo (Fótons): Quando o decaimento raro acontece, dois fótons (luz) batem no detector. Eles deixam uma "pegada" muito limpa, redonda e simétrica, como se alguém tivesse jogado duas bolas de gude perfeitas.
• O Problema (Nêutrons): Nêutrons vindos do feixe de partículas também batem no detector. Às vezes, um nêutron bate, ricocheteia e bate de novo, criando dois pontos de luz. Para um olho desatento, parece exatamente o mesmo que o alvo! É como se um ladrão usasse uma máscara perfeita para parecer um cidadão honesto.

2. A Solução: Dois Novos Detetives Inteligentes

Os cientistas perceberam que, embora a "foto" final pareça igual, a forma como a luz se espalha e como o sinal elétrico oscila é diferente. Eles criaram duas ferramentas para ler essas diferenças sutis:

Ferramenta 1: O "Olho de Águia" com IA (Rede Neural)

Imagine que você tem milhares de fotos de pegadas de luz no detector.

• O que faz: Eles usaram uma Rede Neural Convolucional (CNN), que é basicamente um computador treinado para ver padrões em imagens, como um sistema de reconhecimento facial.
• A Analogia: Pense na CNN como um chef de cozinha experiente. Se você der a ele uma foto de uma pizza (fóton) e uma foto de uma pizza que foi cortada de forma estranha e tem queijo derretido fora do lugar (nêutron), ele consegue dizer: "Isso é uma pizza normal, isso é uma pizza estragada".
• Como funciona: A rede olha para a forma como a energia se espalha pelos cristais. Os fótons fazem um desenho mais circular e simétrico. Os nêutrons fazem desenhos bagunçados e assimétricos. A IA aprendeu a distinguir isso com uma precisão assustadora.

Ferramenta 2: O "Músico" que ouve o Ritmo (Análise de Fourier)

Agora, imagine que cada cristal não é apenas uma foto, mas também toca uma nota musical quando uma partícula bate nele.

• O que faz: Eles usaram uma Análise de Frequência de Fourier. Isso transforma o sinal elétrico (que parece uma onda no tempo) em uma partitura musical (frequências).
• A Analogia: Pense em bater em um tambor de couro (fóton) versus bater em um tambor de couro velho e frouxo (nêutron).
  • O fóton faz um som limpo e curto: "Tum!" (o sinal sobe e desce rápido).
  • O nêutron faz um som que "arrasta": "Tummmmm..." (o sinal tem um rabo longo, uma cauda que demora a sumir).
• Como funciona: A matemática (Fourier) separa o som em notas graves e agudas. Os nêutrons têm mais "notas graves" (o rabo longo da onda). O detector analisa essa "partitura" para dizer: "Isso tem um rabo longo demais, é um nêutron!".

3. O Resultado: A Grande Limpeza

Ao combinar esses dois métodos (a IA olhando a forma e o "músico" ouvindo o ritmo), o experimento conseguiu fazer uma limpeza incrível:

• O Filtro: Eles conseguiram rejeitar 99,9998% dos nêutrons falsos.
• A Precisão: De cada 560.000 nêutrons que tentavam entrar, apenas 1 conseguia passar pelo filtro.
• Sem Perdas: O mais impressionante é que, ao fazer essa limpeza tão rigorosa, eles não perderam quase nenhum dos eventos reais que procuravam (manteram 70% de eficiência). Foi como limpar uma sala de sujeira sem tirar o tapete caro.

Conclusão

Antes, os cientistas tinham que confiar em regras simples para filtrar o ruído. Agora, com essa combinação de Inteligência Artificial (para ver a forma) e Matemática de Ondas (para ouvir o ritmo), eles conseguiram isolar o sinal mais raro da física com uma clareza nunca vista antes. Isso aumenta drasticamente as chances de descobrir se o universo tem segredos escondidos nesse decaimento raro.

Em resumo: Eles ensinaram um computador a ver a diferença entre uma bola de gude perfeita e uma pedra quebrada, e a ouvir a diferença entre um sino tocando e um tambor velho, tudo para encontrar uma agulha no palheiro.

Resumo técnico

Resumo Técnico: Supressão de Fundo de Nêutrons usando Rede Neural Profunda e Análise de Frequência de Fourier no Experimento KOTO

1. O Problema

O experimento KOTO, localizado no J-PARC (Japão), tem como objetivo principal a busca pelo decaimento raro $K^0_L \to \pi^0 \nu \bar{\nu}$. No Modelo Padrão, este decaimento possui uma razão de branchings teórica extremamente baixa ($\approx 3.00 \times 10^{-11}$), tornando-o um canal sensível para nova física.

• Sinal: O evento é identificado pela detecção de dois fótons provenientes do decaimento $\pi^0 \to \gamma\gamma$ em um calorímetro de cristal de Iodeto de Césio (CsI).
• Desafio Principal: A principal fonte de fundo é o "halo de nêutrons" do feixe. Um único nêutron do halo pode interagir dentro do calorímetro CsI, espalhar-se e produzir dois "hits" semelhantes a fótons, mimetizando o sinal do decaimento raro.
• Necessidade: É crucial distinguir as assinaturas de interação de fótons (eletromagnéticas) e nêutrons (hadrônicas) no calorímetro para suprimir o fundo sem perder a eficiência do sinal.

2. Metodologia

Os autores desenvolveram e aplicaram duas técnicas inovadoras baseadas nas diferenças nas formas de aglomerado (cluster shape) e nas formas de pulso (pulse shape) no calorímetro CsI não dopado:

A. Discriminação de Forma de Aglomerado (Cluster Shape Discrimination - CSD) com CNN

• Conceito: Fótons tendem a produzir aglomerados mais circulares e simétricos devido à curta distância de radiação, enquanto nêutrons produzem formas assimétricas devido a interações hadrônicas.
• Técnica: Utilizou-se uma Rede Neural Convolucional (CNN) para classificar as imagens de energia e tempo dos aglomerados no grid do CsI.
• Arquitetura: A rede possui 4 camadas convolucionais (com filtros 3x3) e 6 camadas densas (fully connected), processando imagens de aglomerados de 16x16 ou 12x12 pixels.
• Entradas Adicionais: Além da imagem, a rede recebeu a energia incidente e os ângulos de direção ($\theta, \phi$) como entradas adicionais para melhorar a precisão.
• Treinamento: Utilizou-se dados de Monte Carlo (MC) para fótons e dados reais de nêutrons (obtidos em corridas especiais com uma placa de alumínio para espalhar nêutrons). Técnicas de dropout e regularização L2 foram aplicadas para evitar overfitting.

B. Discriminação de Forma de Pulso (Pulse Shape Discrimination - PSD) com Análise de Fourier

• Conceito: Pulsos induzidos por nêutrons possuem uma "cauda" mais longa em comparação aos pulsos de fótons.
• Técnica: Aplicou-se a Transformada Discreta de Fourier (DFT) aos valores de ADC dos pulsos (28 amostras) para extrair informações no domínio da frequência.
• Método: As amplitudes dos cinco sinusoides de menor frequência foram usadas para criar modelos (templates) de fótons e nêutrons para cada cristal e faixa de energia.
• Classificação: Calculou-se uma razão de verossimilhança (likelihood ratio) baseada nas amplitudes de Fourier para determinar se um aglomerado é mais semelhante a um fóton ou a um nêutron.

C. Método de Pesagem de Eventos

• Para estimar o fundo residual, os autores desenvolveram um método de pesagem. A probabilidade de sobrevivência ($W$) de cada aglomerado de nêutron foi calculada em função da energia e do ângulo. O peso total de um evento de nêutron (com dois aglomerados) é o produto das probabilidades individuais.

3. Contribuições Chave

• Aplicação de Deep Learning no KOTO: Introdução bem-sucedida de uma CNN para classificar formas de aglomerados em dados de física de partículas, superando métodos tradicionais de corte.
• Análise de Fourier Otimizada: Implementação de uma técnica de PSD baseada em DFT que demonstrou ser aproximadamente duas vezes mais eficaz que métodos anteriores (citados na Ref. [6]).
• Estimativa de Fundo Precisa: Desenvolvimento de um método robusto de pesagem de eventos que permite prever com alta precisão o número de eventos de fundo restantes após a aplicação dos cortes, validado pela concordância entre previsões e dados observados.
• Análise de Dados 2016-2018: Estas técnicas foram aplicadas pela primeira vez na análise dos dados de 2016-2018, representando uma evolução significativa em relação à análise de dados de 2015.

4. Resultados

• Desempenho da CSD: A CNN suprimiu aglomerados de nêutrons por um fator de 150, mantendo uma aceitação de 90% para fótons.
• Desempenho da PSD: A técnica de Fourier suprimiu aglomerados de nêutrons por um fator de 6,5, mantendo 90% de aceitação para fótons.
• Desempenho Combinado: A combinação das duas técnicas resultou em uma supressão total do fundo de nêutrons por um fator de $5,6 \times 10^5$.
• Eficiência do Sinal: A eficiência de detecção para o evento alvo $K^0_L \to \pi^0 \nu \bar{\nu}$ foi mantida em 69,9% (aproximadamente 70%).
• Validação: Na região de sinal (Signal Box) dos dados de 2016-2018, o método previu 0,0106 ± 0,0002 eventos de nêutrons restantes, e nenhum evento foi observado, confirmando a eficácia e a precisão da estimativa de fundo.

5. Significância

Este trabalho representa um avanço crucial para o experimento KOTO e para a busca de violação de CP e nova física no setor de sabor.

• Redução de Incerteza: Ao suprimir o fundo dominante (nêutrons) por mais de 5 ordens de grandeza, o experimento reduz drasticamente a incerteza sistemática associada ao fundo, permitindo limites mais rigorosos na razão de branchings.
• Melhoria sobre Resultados Anteriores: A supressão combinada é um fator de 26 melhor do que o resultado da análise de dados de 2015.
• Metodologia Futura: A combinação de Redes Neurais Convolucionais para análise espacial (forma do aglomerado) e análise de Fourier para análise temporal (forma do pulso) estabelece um novo padrão para a discriminação de partículas em calorímetros de cristal, com potencial aplicação em outros experimentos de física de alta energia.

Em resumo, o artigo demonstra que a integração de técnicas avançadas de aprendizado de máquina e análise de sinais no domínio da frequência permite alcançar níveis de rejeição de fundo anteriormente inatingíveis, preservando a sensibilidade necessária para detectar processos extremamente raros.